基于编辑距离来判断词语相似度方法(scala版)

Posted xingoo

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于编辑距离来判断词语相似度方法(scala版)相关的知识,希望对你有一定的参考价值。

词语相似性比较,最容易想到的就是编辑距离,也叫做Levenshtein Distance算法。在Python中是有现成的模块可以帮助做这个的,不过代码也很简单,我这边就用scala实现了一版。

编辑距离

编辑距离是指一个字符串改编成另一个字符串的最短距离,它描述了两个字符串的相近程度。比如:

son -> sun ,只需要把o改成u即可,编辑距离为1
xing -> long,需要把x改成l,i改成o,编辑距离为2
o->long,需要在前面加上l,在后面加上ng,编辑距离为3

因此所有修改,移动,删除,新增都算是一次编辑操作。

算法很简单:

初始化

- x i n g
- 0 1 2 3
l 1 0 0 0
o 2 0 0 0
n 3 0 0 0
g 4 0 0 0

挨个计算值

某个位置的值,等于它

  • 左边的值+1,
  • 右边的值+1,
  • 左上角的值不同时加1;相同时加0

上面三个数的最小值

- x i n g
- 0 1 2 3
l 1 1 0 0
o 2 0 0 0
n 3 0 0 0
g 4 0 0 0

一直计算到右下角的值

- x i n g
- 0 1 2 3
l 1 1 2 3
o 2 2 2 3
n 3 3 3 2
g 4 4 4 3

Breeze

在python中有numpy可以做矩阵的各种操作,在scala中可以使用breeze,spark mllib底层也是基于它实现的。

文档参考:
https://github.com/scalanlp/breeze/wiki/Quickstart

常用的操作有:

创建为0的的矩阵:
DenseMatrix.zeros[Int](s1_length, s2_length)

breeze另一个很好用的地方就是默认支持修改,在scala中很多集合默认都是不可变的,比如Array,很烦~

算法实现

def editDist(s1:String, s2:String):Int ={
   val s1_length = s1.length+1
   val s2_length = s2.length+1

   val matrix = DenseMatrix.zeros[Int](s1_length, s2_length)
   for(i <- 1.until(s1_length)){
     matrix(i,0) = matrix(i-1, 0) + 1
   }

   for(j <- 1.until(s2_length)){
     matrix(0,j) = matrix(0, j-1) + 1
   }

   var cost = 0
   for(j <- 1.until(s2_length)){
     for(i <- 1.until(s1_length)){
       if(s1.charAt(i-1)==s2.charAt(j-1)){
         cost = 0
       }else{
         cost = 1
       }
       matrix(i,j)=math.min(math.min(matrix(i-1,j)+1,matrix(i,j-1)+1),matrix(i-1,j-1)+cost)
     }
   }
   matrix(s1_length-1,s2_length-1)
}

应用的场景

这种词语之间的编辑距离主要应用在两个文本判断是否相近,比如我输入一个词,想要查找到数据库里面跟他最匹配的词。比如阿迪想要匹配到阿迪达斯,或者结账买单匹配到节帐埋单等等。不过在耐克nikenike耐克这种场景下就不适合了...

后续会介绍n-gram来计算相似性的方法,比较适合这种场景。

以上是关于基于编辑距离来判断词语相似度方法(scala版)的主要内容,如果未能解决你的问题,请参考以下文章

Java之词义相似度计算(语义识别词语情感趋势词林相似度拼音相似度概念相似度字面相似度)

词语义相似度(距离度量)网络服务?

如何度量两个词之间的语义相似度

怎样衡量两个字符串的相似度(编辑距离动态规划求解)

如何通过词向量技术来计算2个文档的相似度?

NLP之句子相似度之入门篇