项目简介
nlp-hanzi-similar 为汉字提供相似性的计算。
创作目的
有一个小伙伴说自己在做语言认知科学方向的课题研究,看了我以前写的 NLP 中文形近字相似度计算思路
就想问下有没有源码或者相关资料。
国内对于文本的相似度计算,开源的工具是比较丰富的。
但是对于两个汉字之间的相似度计算,国内基本一片空白。国内的参考的资料少的可怜,国外相关文档也是如此。
于是将以前写的相似度算法整理开源,希望能帮到这位小伙伴。
本项目旨在抛砖引玉,实现一个基本的相似度计算工具,为汉字 NLP 贡献一点绵薄之力。
推荐阅读:
开源项目在线化 中文繁简体转换/敏感词/拼音/分词/汉字相似度/markdown 目录
特性
-
fluent 方法,一行代码搞定一切
-
高度自定义,允许用户定义自己的实现
-
词库自定义,适应各种应用场景
-
丰富的实现策略
默认实现了基于 四角编码+拼音+汉字结构+汉字偏旁+笔画数+拆字 的相似度比较。
- 支持返回一个字的相似列表
变更日志
快速开始
需要
jdk1.7+
maven 3.x+
maven 引入
<dependency>
<groupId>com.github.houbb</groupId>
<artifactId>nlp-hanzi-similar</artifactId>
<version>1.3.0</version>
</dependency>
快速开始
基本用法
HanziSimilarHelper.similar
获取两个汉字的相似度。
double rate1 = HanziSimilarHelper.similar('末', '未');
结果为:
0.9629629629629629
自定义权重
默认是根据 四角编码+拼音+汉字结构+汉字偏旁+笔画数 进行相似度比较。
如果默认的系统权重无法满足你的需求,你可以通过自定义权重调整:
double rate = HanziSimilarBs.newInstance()
.jiegouRate(10)
.sijiaoRate(8)
.bushouRate(6)
.bihuashuRate(2)
.pinyinRate(1)
.chaiziRate(8)
.similar('末', '未');
自定义相似度
有些情况下,系统的计算是无法满足的。
用户可以在根目录下 hanzi_similar_define.txt
进行自定义。
入人 0.9
人入 0.9
这样在计算 人
和 入
的相似度时,会优先以用户自定义的为准。
double rate = HanziSimilarHelper.similar('人', '入');
此时的结果为用户自定义的值。
返回单个汉字的相似字列表
HanziSimilarHelper.similarList
可以返回指定汉字的相似列表,最多支持返回 100 个。
默认返回10个。
使用
List<String> list = HanziSimilarHelper.similarList('爱');
Assert.assertEquals("[爰, 爯, 受, 爭, 妥, 憂, 李, 爳, 叐, 雙]", list.toString());
引导类
说明
为了便于用户自定义,HanziSimilarBs
支持用户进行自定义配。
HanziSimilarBs 中允许自定义的配置列表如下:
序号 | 属性 | 说明 |
---|---|---|
1 | bihuashuRate | 笔画数权重 |
2 | bihuashuData | 笔画数数据 |
3 | bihuashuSimilar | 笔画数相似度策略 |
4 | jiegouRate | 结构权重 |
5 | jiegouData | 结构数据 |
6 | jiegouSimilar | 结构相似度策略 |
7 | bushouRate | 部首权重 |
8 | bushouData | 部首数据 |
9 | bushouSimilar | 部首相似度策略 |
10 | sijiaoRate | 四角编码权重 |
12 | sijiaoData | 四角编码数据 |
13 | sijiaoSimilar | 四角编码相似度策略 |
14 | pinyinData | 拼音数据 |
15 | pinyinSimilar | 拼音相似度策略 |
16 | hanziSimilar | 汉字相似度核心策略 |
17 | userDefineData | 用户自定义数据 |
18 | chaiziRate | 拆字比例 |
19 | chaiziSimlar | 拆字相似度 |
所有的配置都可以基于接口,用户进行自定义。
python 版本
说明
NLP 的很多小伙伴都是 python 语言的使用者。
为了便于大家学习,提供了 python 的简易版本实现,可以自行修改。
实现
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
'''
desc: 初始化字典
author: 老马啸西风
date: 2021-11-24
'''
def initDict(path):
dict = {};
with open(path, 'r', encoding='utf-8', errors='ignore') as f:
for line in f.readlines():
# 移除换行符,并且根据空格拆分
splits = line.strip('\n').split(' ');
key = splits[0];
value = splits[1];
dict[key] = value;
return dict;
# 字典初始化
bihuashuDict = initDict('./db/bihuashu_2w.txt');
hanzijiegouDict = initDict('./db/hanzijiegou_2w.txt');
pianpangbushouDict = initDict('./db/pianpangbushou_2w.txt');
sijiaobianmaDict = initDict('./db/sijiaobianma_2w.txt');
# 权重定义(可自行调整)
hanzijiegouRate = 10;
sijiaobianmaRate = 8;
pianpangbushouRate = 6;
bihuashuRate = 2;
# 计算核心方法
'''
desc: 笔画数相似度
'''
def bihuashuSimilar(charOne, charTwo):
valueOne = bihuashuDict[charOne];
valueTwo = bihuashuDict[charTwo];
numOne = int(valueOne);
numTwo = int(valueTwo);
diffVal = 1 - abs((numOne - numTwo) / max(numOne, numTwo));
return bihuashuRate * diffVal * 1.0;
'''
desc: 汉字结构数相似度
'''
def hanzijiegouSimilar(charOne, charTwo):
valueOne = hanzijiegouDict[charOne];
valueTwo = hanzijiegouDict[charTwo];
if valueOne == valueTwo:
# 后续可以优化为相近的结构
return hanzijiegouRate * 1;
return 0;
'''
desc: 四角编码相似度
'''
def sijiaobianmaSimilar(charOne, charTwo):
valueOne = sijiaobianmaDict[charOne];
valueTwo = sijiaobianmaDict[charTwo];
totalScore = 0.0;
minLen = min(len(valueOne), len(valueTwo));
for i in range(minLen):
if valueOne[i] == valueTwo[i]:
totalScore += 1.0;
totalScore = totalScore / minLen * 1.0;
return totalScore * sijiaobianmaRate;
'''
desc: 偏旁部首相似度
'''
def pianpangbushoutSimilar(charOne, charTwo):
valueOne = pianpangbushouDict[charOne];
valueTwo = pianpangbushouDict[charTwo];
if valueOne == valueTwo:
# 后续可以优化为字的拆分
return pianpangbushouRate * 1;
return 0;
'''
desc: 计算两个汉字的相似度
'''
def similar(charOne, charTwo):
if charOne == charTwo:
return 1.0;
sijiaoScore = sijiaobianmaSimilar(charOne, charTwo);
jiegouScore = hanzijiegouSimilar(charOne, charTwo);
bushouScore = pianpangbushoutSimilar(charOne, charTwo);
bihuashuScore = bihuashuSimilar(charOne, charTwo);
totalScore = sijiaoScore + jiegouScore + bushouScore + bihuashuScore;
totalRate = hanzijiegouRate + sijiaobianmaRate + pianpangbushouRate + bihuashuRate;
result = totalScore*1.0 / totalRate * 1.0;
print('总分:' + str(totalScore) + ', 总权重: ' + str(totalRate) +', 结果:' + str(result));
print('四角编码:' + str(sijiaoScore));
print('汉字结构:' + str(jiegouScore));
print('偏旁部首:' + str(bushouScore));
print('笔画数:' + str(bihuashuScore));
return result;
# 这里 末 未 相似度为1,因为没有拼音的差异。四角编码一致。
# 可以手动替换下面的字,或者读取文件,循环计算
'''
$ python main.py
总分:25.428571428571427, 总权重: 26, 结果:0.978021978021978
四角编码:8.0
汉字结构:10
偏旁部首:6
笔画数:1.4285714285714286
'''
similar('末', '来')
快速体验
说明
如果 java 语言不是你的主要开发语言,你可以通过下面的 exe 文件快速体验一下。
下载地址
https://github.com/houbb/nlp-hanzi-similar/releases/download/exe/hanzi-similar.zip
下载后直接解压得到 hanzi-similar.exe
免安装的可执行文件。
执行效果
界面是使用 java swing 实现的,所以美观什么的,已经完全放弃治疗 T_T。
使用 exe4j 打包。
字符一输入一个汉字,字符二输入另一个汉字,点击计算,则可以获取对应的相似度。
字典的弊端
这个项目开源,是因为有一位小伙伴有相关的需求,但是他不懂 java。
一开始想把项目设计成为字典的形式,两个字对应一个相似度。
但是有一个问题,2W 汉字,和 2W 汉字的相似度字典,数量已经是近亿的数据量。
空间复杂度过高,同时会导致时间复杂度问题。
所以目前采用的是实时计算,有时间做一下其他语言的迁移 :)
实现原理
实现思路
不同于文本相似度,汉字相似度的单位是汉字。
所以相似度是对于汉字的拆解,比如笔画,拼音,部首,结构等。
推荐阅读:
计算思路描述了实现的原理,但是小伙伴反应不会实现,于是才有了本项目。
核心代码
核心实现如下,就是各种相似度,进行加权计算。
/**
* 相似度
*
* @param context 上下文
* @return 结果
* @since 1.0.0
*/
@Override
public double similar(final IHanziSimilarContext context) {
final String charOne = context.charOne();
final String charTwo = context.charTwo();
//1. 是否相同
if(charOne.equals(charTwo)) {
return 1.0;
}
//2. 是否用户自定义
Map<String, Double> defineMap = context.userDefineData().dataMap();
String defineKey = charOne+charTwo;
if(defineMap.containsKey(defineKey)) {
return defineMap.get(defineKey);
}
//3. 通过权重计算获取
//3.1 四角编码
IHanziSimilar sijiaoSimilar = context.sijiaoSimilar();
double sijiaoScore = sijiaoSimilar.similar(context);
//3.2 结构
IHanziSimilar jiegouSimilar = context.jiegouSimilar();
double jiegouScore = jiegouSimilar.similar(context);
//3.3 部首
IHanziSimilar bushouSimilar = context.bushouSimilar();
double bushouScore = bushouSimilar.similar(context);
//3.4 笔画
IHanziSimilar biahuashuSimilar = context.bihuashuSimilar();
double bihuashuScore = biahuashuSimilar.similar(context);
//3.5 拼音
IHanziSimilar pinyinSimilar = context.pinyinSimilar();
double pinyinScore = pinyinSimilar.similar(context);
//4. 计算总分
double totalScore = sijiaoScore + jiegouScore + bushouScore + bihuashuScore + pinyinScore;
//4.1 避免浮点数比较问题
if(totalScore <= 0) {
return 0;
}
//4.2 正则化
double limitScore = context.sijiaoRate() + context.jiegouRate()
+ context.bushouRate() + context.bihuashuRate() + context.pinyinRate();
return totalScore / limitScore;
}
具体的细节,如果感兴趣,可以自行阅读源码。
开源地址
为了便于大家的学习和使用,本项目已开源。
开源地址:
欢迎大家,fork&star 鼓励一下老马~
算法的优缺点
优点
为数不多的几篇 paper 是从汉字的结构入手的。
本算法引入了四角编码+结构+部首+笔画+拼音的方式,使其更加符合国内的使用直觉。
缺点
部首这部分因为当时数据问题,实际上是有缺憾的。
后续准备引入拆字字典,对汉字的所有组成部分进行对比,而不是目前一个简单的部首。
NLP 开源矩阵
后期 Road-MAP
-
丰富相似度策略
-
优化默认权重
-
优化 exe 界面