文本相似度计算与展示

文本相似度计算方法归类

  • 基于字符串。该方法从字符串匹配度出发,以字符串共现和重复程序为相似度的衡量标准。如编辑距离。
  • 基于语料库。该方法利用从语料库中获取的信息计算文本相似度。如Word2Vec。
  • 基于搜索引擎。主要是基于归一化谷歌距离(Normalized Google Distance, NGD),通过计算关键词x, y网页数据的归一化实现计算文本相似度。
  • 基于世界知识。该方法利用具有规范组织体系的知识库计算文本相似度,主要分为基于本体知识与基于网络知识两种。其典型的是语义相似性。
  • 去重算法(搜索引擎提法比较多)。如Google的SimHash。
1564111127132

参考:文本相似度计算方法研究综述. 2017. 陈二静, 姜恩波.

流程

1564141808708

算法对比

算法特点与工程特性。

算法 特点
KShingle 特征向量是超高维,很大的时间复杂度和空间复杂度
Minhash 针对KShingle,Minhash算法设计了一种最小哈希函数,将原始超高维的稀疏向量转化为低维的稠密向量
SimHash KShingle算法和Minhash算法都需要生成一个庞大的Shingle词组库。 Simhash算法仅基于文档中包含的词汇生成文档的特征向量
KSentence 算法基于一个朴素的假设:两个重复文本中,最长的K个句子应该是完全一样的
preview

实验对比Minhash、Simhash、KSentence的性能,结果如下:

运行速度:KSentence > Simhash > Minhash

准确率:KSentence > Minhash > Simhash

召回率:Simhash > Minhash > KSentence

工程应用上,海量文本用Simhash,短文本用Minhash,追求速度用KSentence。

Ref: https://zhuanlan.zhihu.com/p/43640234

SimHash算法

特点:工程实践性强,速度快,资源消耗少。

原理

img

simhash值计算

  1. 将Doc进行关键词抽取(其中包括分词和计算权重),抽取出n个(关键词,权重)对, 即图中的(feature, weight)们。 记为 feature_weight_pairs =[fw1, fw2 … fwn],其中 fwn = (feature_n,weight_n)。
  2. hash_weight_pairs = [ (hash(feature), weight) for feature, weight in feature_weight_pairs ] 生成图中的(hash,weight)们, 此时假设hash生成的位数bits_count = 6(如图);
  3. 然后对 hash_weight_pairs 进行位的纵向累加,如果该位是1,则+weight,如果是0,则-weight,最后生成bits_count个数字,如图所示是[13, 108, -22, -5, -32, 55], 这里产生的值和hash函数所用的算法相关。
  4. [13,108,-22,-5,-32,55] -> 110001,正1负0。

simhash值的海明距离计算

simhash本质上是局部敏感性的hash,和md5之类的不一样。 所以我们可以使用海明距离来衡量simhash值的相似度。

二进制串A 和 二进制串B 的海明距离 就是 A xor B 后二进制中1的个数。

举例如下:

A = 100111;
B = 101010;
hamming_distance(A, B) = count_1(A xor B) = count_1(001101) = 3;

文档是否相似的条件

A和B的海明距离是否小于等于n,这个n值根据经验一般取值为3。

Demo

s1 = '''
基于深度神经网络的机器学习模型在很多任务上达到了前所未有的性能。这些模型一般被视为复杂的系统,很难进行理论分析。此外,
由于主导最优化过程的通常是高维非凸损失曲面,因此要描述这些模型在训练中的梯度动态变化非常具有挑战性。就像在物理学中常⻅的那
样,探索此类系统的理想极限有助于解决这些困难问题。对于神经网络来说,其中一个理想极限就是无限宽度( infinite width ),即全连
接层中的隐藏单元数,或者卷积层中的通道数无穷大。'''

s2 = '''
基经网络的机器学习模型在很多任务上达到了前所未有的性能。这些模型一般被视为复杂的系统,很难进行理论分析。此外,
由于主导最优化过程的通常是高维非凸损失曲面,因此要描述这些模型在训练中的梯度动态变化非常具有挑战性。就像在物理学中常⻅的那
样,探索此类系统的理想极限有助于解决这些困难问题。对于神经网络来说,其中一个理想极限就是无限宽度( infinite width ),即全连
接层中的隐藏单元数,或者卷积层中的通道数无穷大。'''

s3 = '''
我们是的神经网络的机器学习模型在很多任务上达到了前所未有的性能。这些模型一般被视为复杂的系统,很难进行理论分析。此外,
由于主导最优化过程的通常是高维非凸损决这些困难问题。对于神经网络来说,其中一个理想极限就是无限宽度( infinite width ),即全连
接层中的隐藏单元数,或者卷积层中的通道数无穷大。'''

s4 = '''
目前,微信智言团队由来自微软和 CMU 的 T4 专家坐镇,共有 10 多名成员,全部来自国外内顶尖高校的硕士及博士,且都具备学术研究能
力与开发能力。微信智言透露,团队每两个月都会请第三方机构对团队的对话系统实力进行评估。结果表明,从对话、用户满意度角度来
说,微信智言基本上处于第一梯队。不过,微信智言也强调:竞赛成绩能够展现研究实力,但团队最主要重心,始终在业务上。瞄准四大领
域微信智言的目标,是打造 “ 对话即服务 ” 平台。'''

s5 = 'aa'

相似结果:

0
2
9
20
38

BenchMark

两篇各2000字中文文档,基于jieba分词,i5-6500单核,17秒/200轮。

改进

计算feature时使用TF-IDF计算。

Ref

SimHash pip: https://github.com/leonsim/simhash

SimHash Python实现与讲解:https://blog.csdn.net/madujin/article/details/53152619

SimHash 原理: http://yanyiwu.com/work/2014/01/30/simhash-shi-xian-xiang-jie.html

可视化

如以编辑距离呈现的可对比图。

不足:

  • 其以行为单位计算diff
  • 改动比较大时,行内的不同之处就无法呈现,因其直接计算成替换了

改进:

  • diff一般是字符为单位的删除、插入等,可以改造为手动实现以句为单位的diff。
1564113104326

图片

是否考虑图片相似性,如phash算法。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,547评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,399评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,428评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,599评论 1 274
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,612评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,577评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,941评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,603评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,852评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,605评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,693评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,375评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,955评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,936评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,172评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,970评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,414评论 2 342