前言

所有的故事都有开始,也终将结束。

本文将作为 NLP 汉字相似度的完结篇,为该系列画上一个句号。

起-NLP 中文形近字相似度计算思路

承-中文形近字相似度算法实现,为汉字 NLP 尽一点绵薄之力

转-当代中国最贵的汉字是什么?

不足之处

之所以有本篇,是因为上一次的算法实现存在一些不足。

巴别塔

《圣经》中有关于巴别塔建造,最终人们因为语言问题而停工的故事​。

创11:6 “看哪!他们成为一样的人民,都是一样的言语,如今既作起这事来,以后他们所要作的事,就没有不成就的了。创11:7 我们下去,在那里变乱他们的口音,使他们的言语彼此不通。”创11:8 于是,耶和华使他们从那里分散在全地上;他们就停工不造那城了。

为了避免语言问题,我一开始就实现了一个 exe4j 打包的对比程序,自己跑的很顺畅。

小伙伴一跑,运行失败。各种环境配置一顿操作,最后还是报错。

于是,我写了一个 python 简易版本,便于做 NLP 研究的小伙伴们学习。

https://github.com/houbb/nlp-hanzi-similar/releases/tag/pythn

java 是一种语言,python 是一种语言。

编程语言,让人和机器之间可以沟通,却让人与人之间产生了隔阂。

拆字

当代中国最贵的汉字是什么? 一文中,我们首次说明了汉字的拆合。

汉字的拆分实现,核心目的之一就是为了完善汉字的相似度比较。

通过对比汉字的拆分部分,然后获取拆字的相似度,提高对比的准确性。

拆字相似度

简单的需求

为了便于小伙伴们理解,我们用产品经理的思维和大家介绍一下实现方式。

我的需求比较简单。你看,【明】可以拆分【日】【月】,【冐】也可以拆分为【日】【月】。对比一下,结果是显然的。怎么实现我不管,明天上线吧。

小伙伴们,应该已经知道怎么实现了吧?

使用体验

诚如产品所言,这个需求已经实现。

maven 引入

    com.github.houbb    nlp-hanzi-similar    1.2.0

使用

double rate1 = HanziSimilarHelper.similar(末, 未);

对应的结果为:0.9696969696969697

更多使用细节,参考开源地址:

https://github.com/houbb/nlp-hanzi-similar

写在完结前

涉及的项目

汉字的相似度计算到这里算是告一段落。

主要涉及的资料及项目有:

拼音

拆字

四角编码词库

汉字结构词库

汉字偏旁词库

笔画数词库

当然,还可以结果 opencc4j 进行繁简体的处理,此处不再延伸。

之后的计划

NLP 的领域还有很多东西需要大家攻克,毕竟中文 NLP 才刚刚开始。

技术尚未成功,同志仍需努力。

据说最近鹅城的某位黄老爷惹得大家怨声载道。

很多小伙伴说,如果有一款软件可以实现【月丷夫马言卂彳山兀攴人言】的沟通功能,那么我肯定会用。

所谓说者无心,听者有意。

写一个通讯软件,主要是为了巩固下 netty 的学习,其他的都不重要。

虽然知道就算有,大家肯定也不太会改变,但是老马还是准备试试。

java 实现思路

警告,如果你头发已经所剩无几,或者对实现并不感兴趣。

那么就可以收藏+点赞+评论【不明觉厉】,然后离开了。

下面是枯燥的代码实现环节。

程序员的思维

下面是程序员的思维。

首先要解决几个问题:

(1)汉字的拆分实现

这个直接复用已经实现的汉字拆分实现。

List stringList = ChaiziHelper.chai(charWord.charAt(0));

相同的一个汉字可以有多种拆分方式,简单起见,我们默认取第一个。

(2)相似的比较

假设我们对比 A B 两个汉字,可以拆分为如下的子集。

A = {A1, A2, ..., Am}

B = {B1, B2, ..., Bm}

/** * 获取拆分后对应的拆分字符 * @param charWord 字符 * @return 结果 */private char[] getSplitChars(String charWord) {    List stringList = ChaiziHelper.chai(charWord.charAt(0));    // 这里应该选择哪一个是有讲究的。此处为了简单,默认选择第一个。    String string = stringList.get(0);    return string.toCharArray();}

拆分后的子集对比有多种实现方式,简单起见,我们直接遍历元素,判断另一个子集是否存在。

当然,遍历的时候要以拆分数量较少的的为基准。

int minLen = Math.min(charsOne.length, charsTwo.length);// 比较double totalScore = 0.0;for(int i = 0; i <  minLen; i++) {    char iChar = charsOne[i];    String textChar = iChar+"";    if(ArrayPrimitiveUtil.contains(charsTwo, iChar)) {        //累加分数    }}

(3)拆分子集的权重

比如 两个汉字都是子集,但是因为笔画数不同,权重也不同。

我们用一个子集的笔画数占整体汉字的笔画数计算权重。

 int textNumber = getNumber(textChar, similarContext);double scoreOne = textNumber*1.0 / numberOne * 1.0;double scoreTwo = textNumber*1.0 / numberTwo * 1.0;totalScore += (scoreOne + scoreTwo) / 2.0;

ps: 这里的除以 2,是为了归一化。保证最后的结果在 0-1 之间。

(4)笔画数

获取笔画数的方式,我们可以直接复用以前的方法。

如果没有匹配的,默认笔画数为 1。

private int getNumber(String text, IHanziSimilarContext similarContext) {    Map map = similarContext.bihuashuData().dataMap();    Integer number = map.get(text);    if(number == null) {        return 1;    }    return number;}

java 完整实现

我们把所有的碎片拼接起来,就得到一个完整的实现。

/** * 拆字 * * @author 老马啸西风 * @since 1.0.0 */public class ChaiziSimilar implements IHanziSimilar {    @Override    public double similar(IHanziSimilarContext similarContext) {        String hanziOne = similarContext.charOne();        String hanziTwo = similarContext.charTwo();        int numberOne = getNumber(hanziOne, similarContext);        int numberTwo = getNumber(hanziTwo, similarContext);        // 拆分        char[] charsOne = getSplitChars(hanziOne);        char[] charsTwo = getSplitChars(hanziTwo);        int minLen = Math.min(charsOne.length, charsTwo.length);        // 比较        double totalScore = 0.0;        for(int i = 0; i <  minLen; i++) {            char iChar = charsOne[i];            String textChar = iChar+"";            if(ArrayPrimitiveUtil.contains(charsTwo, iChar)) {                int textNumber = getNumber(textChar, similarContext);                double scoreOne = textNumber*1.0 / numberOne * 1.0;                double scoreTwo = textNumber*1.0 / numberTwo * 1.0;                totalScore += (scoreOne + scoreTwo) / 2.0;            }        }        return totalScore * similarContext.chaiziRate();    }    /**     * 获取拆分后对应的拆分字符     * @param charWord 字符     * @return 结果     */    private char[] getSplitChars(String charWord) {        List stringList = ChaiziHelper.chai(charWord.charAt(0));        // 这里应该选择哪一个是有讲究的。此处为了简单,默认选择第一个。        String string = stringList.get(0);        return string.toCharArray();    }    /**     * 获取笔画数     * @param text 文本     * @param similarContext 上下文     * @return 结果     */    private int getNumber(String text, IHanziSimilarContext similarContext) {        Map map = similarContext.bihuashuData().dataMap();        Integer number = map.get(text);        if(number == null) {            return 1;        }        return number;    }}

小结

本文引入了汉字拆字,进一步丰富了相似度的实现。

当然,实现本身依然有很多值得提升的地方,比如拆分后的选择,是否可以递归拆分等,这个还是留给后人研究吧。

我是老马,期待与你的下次重逢。