Java實現(xiàn)文本查重的方法詳解

更新時間：2024年04月16日 14:30:47 作者：Barcke

Ansj 是一個開源的 Java 中文分詞工具,基于中科院的 ictclas 中文分詞算法,采用隱馬爾科夫模型（HMM）,比其他常用的開源分詞工具（如 MMseg4j）的分詞準確率更高,下面我們就來使用它實現(xiàn)文本查重功能吧

ansj 分詞法介紹

Ansj 是一個開源的 Java 中文分詞工具，基于中科院的 ictclas 中文分詞算法，采用隱馬爾科夫模型（HMM），比其他常用的開源分詞工具（如 MMseg4j）的分詞準確率更高。作者為孫健（ansjsun），目前實現(xiàn)了中文分詞、中文姓名識別、用戶自定義詞典、關鍵字提取、自動摘要、關鍵字標記等功能，適用于對分詞效果要求高的各種項目。雖然 Ansj 分詞的基本原理與 ictclas 的一樣，但是 Ansj 做了一些工程上的優(yōu)化，比如：用 DAT 高效地實現(xiàn)檢索詞典、鄰接表實現(xiàn)分詞 DAG、支持自定義詞典與自定義消歧義規(guī)則等。

Ansj 分詞器 git地址： github.com/NLPchina/ansj_seg

配置文件

在ansj中配置文件名為library.properties，這是一個不可更改的約定。

字段名	默認值	說明
isNameRecognition	true	是否開啟人名識別
isNumRecognition	true	是否開啟數(shù)字識別
isQuantifierRecognition	true	是否數(shù)字和量詞合并
isRealName	false	是否取得真實的詞,默認情況會取得標注化后的
isSkipUserDefine	false	是否用戶辭典不加載相同的詞
dic	library/default.dic	自定義詞典路徑
dic_[key]	你的詞典路徑	針對不同語料調用不同的自定義詞典
ambiguity	library/ambiguity.dic	歧義詞典路徑
ambiguity_[key]	library/ambiguity.dic	歧義詞典路徑
crf	null	crf 詞典路徑,不設置為默認
crf_[key]	你的模型路徑	針對不同語料調用不同的分詞模型
synonyms	默認的同義詞典	針對不同語料調用不同的分詞模型
synonyms_[key]	你的同義詞典路徑	針對不同語料調用不同的分詞模型

默認的配置文件：

#path of userLibrary this is default library
dic=library/default.dic

#redress dic file path
ambiguityLibrary=library/ambiguity.dic

#set real name
isRealName=true

#isNameRecognition default true
isNameRecognition=true

#isNumRecognition default true
isNumRecognition=true

#digital quantifier merge default true
isQuantifierRecognition=true

目前支持的分詞策略：

名稱	用戶自定義詞典	數(shù)字識別	人名識別	機構名識別	新詞發(fā)現(xiàn)
BaseAnalysis	X	X	X	X	X
ToAnalysis	√	√	√	X	X
DicAnalysis	√	√	√	X	X
IndexAnalysis	√	√	√	X	X
NlpAnalysis	√	√	√	√	√

計算余弦相似度

余弦相似度是常見的相似度衡量手段，能夠用以比對兩個向量間的相似水準。如下代碼呈現(xiàn)了計算兩篇論文之余弦相似度的方式：

余弦相似度是一種常用的計算兩個向量相似性的方法。它基于向量的點積和向量的模。

計算余弦相似度的原理如下：

向量表示：將需要比較的對象表示為向量。
點積運算：計算兩個向量的點積，即對應元素相乘后再求和。
向量模的計算：分別計算每個向量的模，通常使用歐幾里得范數(shù)。
計算余弦相似度：用兩個向量的點積除以它們的模的乘積。

具體公式為：

余弦相似度 = 向量 A 與向量 B 的點積 / （向量 A 的模 × 向量 B 的模）

余弦相似度的取值范圍在 -1 到 1 之間：

值為 1：表示兩個向量完全相同，即具有最大相似度。
值為 0：表示兩個向量相互垂直，即沒有相似性。
值為 -1：表示兩個向量完全相反，即具有最小相似度。

余弦相似度的優(yōu)點包括：

不受向量大小影響：它比較的是向量的方向，而不是它們的絕對大小。
對噪聲相對不敏感：在存在一些噪聲或誤差的情況下仍能給出相對合理的相似度度量。

在實際應用中，余弦相似度常用于：

文本相似性度量：比較文本向量的相似度。
圖像相似性分析：衡量圖像特征向量的相似程度。
推薦系統(tǒng)：找到用戶或物品之間的相似性。

/**
     * 計算余弦相似度
     * @param vec1 map1
     * @param vec2 map2
     * @return 相似度
     */
    public double calculateCosSimilarity(Map<String, Integer> vec1, Map<String, Integer> vec2) {
        double dotProduct = 0.0;
        double norm1 = 0.0;
        double norm2 = 0.0;
        for (Map.Entry<String, Integer> entry : vec1.entrySet()) {
            String word = entry.getKey();
            int count = entry.getValue();
            dotProduct += count * vec2.getOrDefault(word, 0);
            norm1 += Math.pow(count, 2);
        }
        for (Map.Entry<String, Integer> entry : vec2.entrySet()){
            int count = entry.getValue();
            norm2 += Math.pow(count, 2);
        }
        return dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2));
    }

    /**
     * 計算余弦相似度
     * @param context1 文本1
     * @param context2 文本2
     * @return 相似度
     */
    public double calculateCosSimilarity(String context1, String context2){
        return calculateCosSimilarity(participleNlp(context1).stream().collect(Collectors.groupingBy(o -> o, Collectors.summingInt(o -> 1))),
                participleNlp(context2).stream().collect(Collectors.groupingBy(o -> o, Collectors.summingInt(o -> 1))));
    }

具體實現(xiàn)看這里

mavaen 依賴

采用 ansj 5.1.6的版本

        <dependency>
            <groupId>org.ansj</groupId>
            <artifactId>ansj_seg</artifactId>
            <version>5.1.6</version>
        </dependency>

util 代碼如下

package cn.ideamake.business.tools.util;

import lombok.experimental.UtilityClass;
import org.ansj.domain.Term;
import org.ansj.splitWord.analysis.NlpAnalysis;

import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;

/**
 * @author Barcke
 * @version 1.0
 * @projectName business-tools
 * @className TextPlagiarismCheckUtil
 * @date 2024/4/16 09:40
 * @slogan: 源于生活 高于生活
 * @description: 文本查重工具 分詞采用 ansj 分詞方法
 **/
@UtilityClass
public class TextPlagiarismCheckUtil {

    // 分詞方法 可替換?。。? start 
    
    /**
     * Nlp分詞方式
     * @param context 文本信息
     * @return 分詞后的list
     */
    public List<String> participleNlp(String context){
        return participleNlpToTerm(context).stream().map(Term::getName).collect(Collectors.toList());
    }

    /**
     * Nlp分詞方式
     * @param context 文本信息
     * @return 分詞后的Term
     */
    public List<Term> participleNlpToTerm(String context){
        return NlpAnalysis.parse(context).getTerms();
    }

    // 分詞方法 可替換?。?！  end

    /**
     * 計算余弦相似度
     * @param vec1 map1
     * @param vec2 map2
     * @return 相似度
     */
    public double calculateCosSimilarity(Map<String, Integer> vec1, Map<String, Integer> vec2) {
        double dotProduct = 0.0;
        double norm1 = 0.0;
        double norm2 = 0.0;
        for (Map.Entry<String, Integer> entry : vec1.entrySet()) {
            String word = entry.getKey();
            int count = entry.getValue();
            dotProduct += count * vec2.getOrDefault(word, 0);
            norm1 += Math.pow(count, 2);
        }
        for (Map.Entry<String, Integer> entry : vec2.entrySet()){
            int count = entry.getValue();
            norm2 += Math.pow(count, 2);
        }
        return dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2));
    }

    /**
     * 計算余弦相似度
     * @param context1 文本1
     * @param context2 文本2
     * @return 相似度
     */
    public double calculateCosSimilarity(String context1, String context2){
        return calculateCosSimilarity(participleNlp(context1).stream().collect(Collectors.groupingBy(o -> o, Collectors.summingInt(o -> 1))),
                participleNlp(context2).stream().collect(Collectors.groupingBy(o -> o, Collectors.summingInt(o -> 1))));
    }

    /**
     * 判斷文本是否重復
     * @param context1 文本1
     * @param context2 文本2
     * @param threshold 閾值
     * @return 是否重復
     */
    public boolean ifPlagiarism(String context1, String context2, double threshold){
        return calculateCosSimilarity(context1, context2) > threshold;
    }

    /**
     * 判斷文本是否重復 默認閾值 0.7
     * @param context1 文本1
     * @param context2 文本2
     * @return 是否重復
     */
    public boolean ifPlagiarism(String context1, String context2){
        return ifPlagiarism(context1, context2, 0.7);
    }

}

使用案例

    public static void main(String[] args) {
        String str = "java實現(xiàn)論文查重，文本查重方案 采用 ansj 分詞法（barcke） -----" ;

        String str2 = "java實現(xiàn)論文查重，文本查重方案 采用 ansj 分詞法（barcke） -----" ;

	    String str3 = "java實現(xiàn)cke） -----" ;

        System.out.println("分詞數(shù)據(jù)（ansj分詞法）：" + TextPlagiarismCheckUtil.participleNlp(str));

        System.out.println("重復率：" + TextPlagiarismCheckUtil.calculateCosSimilarity(str, str2) + "是否重復（默認閾值0.7）：" + TextPlagiarismCheckUtil.ifPlagiarism(str, str2));

        System.out.println("重復率：" + TextPlagiarismCheckUtil.calculateCosSimilarity(str, str3) + "是否重復（默認閾值0.7）：" + TextPlagiarismCheckUtil.ifPlagiarism(str, str3));
    }

執(zhí)行結果：