好湿?好紧?好多水好爽自慰,久久久噜久噜久久综合,成人做爰A片免费看黄冈,机机对机机30分钟无遮挡

主頁 > 知識庫 > .NET下文本相似度算法余弦定理和SimHash淺析及應用實例分析

.NET下文本相似度算法余弦定理和SimHash淺析及應用實例分析

熱門標簽:外呼電銷機器人軟件 t3出行地圖標注怎么做 400電話辦理最優質 河北網絡回撥外呼系統 400免費電話怎么辦理 關于宗地圖標注技術規范 威海電銷 寧夏機器人電銷 河南語音外呼系統公司

本文實例講述了.NET下文本相似度算法余弦定理和SimHash淺析及應用。分享給大家供大家參考。具體分析如下:

余弦相似性

原理:首先我們先把兩段文本分詞,列出來所有單詞,其次我們計算每個詞語的詞頻,最后把詞語轉換為向量,這樣我們就只需要計算兩個向量的相似程度.
 
我們簡單表述如下
 
文本1:我/愛/北京/天安門/ 經過分詞求詞頻得出向量(偽向量)  [1,1,1,1]
 
文本2:我們/都愛/北京/天安門/ 經過分詞求詞頻得出向量(偽向量)  [1,0,1,2]
 
我們可以把它們想象成空間中的兩條線段,都是從原點([0, 0, ...])出發,指向不同的方向。兩條線段之間形成一個夾角,如果夾角為0度,意味著方向相同、線段重合;如果夾角為90度,意味著形成直角,方向完全不相似;如果夾角為180度,意味著方向正好相反。因此,我們可以通過夾角的大小,來判斷向量的相似程度。夾角越小,就代表越相似。
 
C#核心算法:

復制代碼 代碼如下:
    public class TFIDFMeasure
    {
        private string[] _docs;
        private string[][] _ngramDoc;
        private int _numDocs=0;
        private int _numTerms=0;
        private ArrayList _terms;
        private int[][] _termFreq;
        private float[][] _termWeight;
        private int[] _maxTermFreq;
        private int[] _docFreq;
 
        public class TermVector
        {       
            public static float ComputeCosineSimilarity(float[] vector1, float[] vector2)
            {
                if (vector1.Length != vector2.Length)               
                    throw new Exception("DIFER LENGTH");
               
 
                float denom=(VectorLength(vector1) * VectorLength(vector2));
                if (denom == 0F)               
                    return 0F;               
                else               
                    return (InnerProduct(vector1, vector2) / denom);
               
            }
 
            public static float InnerProduct(float[] vector1, float[] vector2)
            {
           
                if (vector1.Length != vector2.Length)
                    throw new Exception("DIFFER LENGTH ARE NOT ALLOWED");
               
           
                float result=0F;
                for (int i=0; i vector1.Length; i++)               
                    result += vector1[i] * vector2[i];
               
                return result;
            }
       
            public static float VectorLength(float[] vector)
            {           
                float sum=0.0F;
                for (int i=0; i vector.Length; i++)               
                    sum=sum + (vector[i] * vector[i]);
                       
                return (float)Math.Sqrt(sum);
            }
        }
 
        private IDictionary _wordsIndex=new Hashtable() ;
 
        public TFIDFMeasure(string[] documents)
        {
            _docs=documents;
            _numDocs=documents.Length ;
            MyInit();
        }
 
        private void GeneratNgramText()
        {
           
        }
 
        private ArrayList GenerateTerms(string[] docs)
        {
            ArrayList uniques=new ArrayList() ;
            _ngramDoc=new string[_numDocs][] ;
            for (int i=0; i docs.Length ; i++)
            {
                Tokeniser tokenizer=new Tokeniser() ;
                string[] words=tokenizer.Partition(docs[i]);           
 
                for (int j=0; j words.Length ; j++)
                    if (!uniques.Contains(words[j]) )               
                        uniques.Add(words[j]) ;
            }
            return uniques;
        }

        private static object AddElement(IDictionary collection, object key, object newValue)
        {
            object element=collection[key];
            collection[key]=newValue;
            return element;
        }
 
        private int GetTermIndex(string term)
        {
            object index=_wordsIndex[term];
            if (index == null) return -1;
            return (int) index;
        }
 
        private void MyInit()
        {
            _terms=GenerateTerms (_docs );
            _numTerms=_terms.Count ;
 
            _maxTermFreq=new int[_numDocs] ;
            _docFreq=new int[_numTerms] ;
            _termFreq =new int[_numTerms][] ;
            _termWeight=new float[_numTerms][] ;
 
            for(int i=0; i _terms.Count ; i++)           
            {
                _termWeight[i]=new float[_numDocs] ;
                _termFreq[i]=new int[_numDocs] ;
 
                AddElement(_wordsIndex, _terms[i], i);           
            }
           
            GenerateTermFrequency ();
            GenerateTermWeight();           
        }
       
        private float Log(float num)
        {
            return (float) Math.Log(num) ;//log2
        }
 
        private void GenerateTermFrequency()
        {
            for(int i=0; i _numDocs  ; i++)
            {                               
                string curDoc=_docs[i];
                IDictionary freq=GetWordFrequency(curDoc);
                IDictionaryEnumerator enums=freq.GetEnumerator() ;
                _maxTermFreq[i]=int.MinValue ;
                while (enums.MoveNext())
                {
                    string word=(string)enums.Key;
                    int wordFreq=(int)enums.Value ;
                    int termIndex=GetTermIndex(word);
 
                    _termFreq [termIndex][i]=wordFreq;
                    _docFreq[termIndex] ++;
 
                    if (wordFreq > _maxTermFreq[i]) _maxTermFreq[i]=wordFreq;                   
                }
            }
        }

        private void GenerateTermWeight()
        {           
            for(int i=0; i _numTerms   ; i++)
            {
                for(int j=0; j _numDocs ; j++)               
                    _termWeight[i][j]=ComputeTermWeight (i, j);
            }
        }
 
        private float GetTermFrequency(int term, int doc)
        {           
            int freq=_termFreq [term][doc];
            int maxfreq=_maxTermFreq[doc];           
           
            return ( (float) freq/(float)maxfreq );
        }
 
        private float GetInverseDocumentFrequency(int term)
        {
            int df=_docFreq[term];
            return Log((float) (_numDocs) / (float) df );
        }
 
        private float ComputeTermWeight(int term, int doc)
        {
            float tf=GetTermFrequency (term, doc);
            float idf=GetInverseDocumentFrequency(term);
            return tf * idf;
        }
       
        private  float[] GetTermVector(int doc)
        {
            float[] w=new float[_numTerms] ;
            for (int i=0; i _numTerms; i++)
                w[i]=_termWeight[i][doc];
            return w;
        }
 
        public float GetSimilarity(int doc_i, int doc_j)
        {
            float[] vector1=GetTermVector (doc_i);
            float[] vector2=GetTermVector (doc_j);
            return TermVector.ComputeCosineSimilarity(vector1, vector2);
        }
       
        private IDictionary GetWordFrequency(string input)
        {
            string convertedInput=input.ToLower() ;
            Tokeniser tokenizer=new Tokeniser() ;
            String[] words=tokenizer.Partition(convertedInput);
            Array.Sort(words);
           
            String[] distinctWords=GetDistinctWords(words);
                       
            IDictionary result=new Hashtable();
            for (int i=0; i distinctWords.Length; i++)
            {
                object tmp;
                tmp=CountWords(distinctWords[i], words);
                result[distinctWords[i]]=tmp;
            }
            return result;
        }               
               
        private string[] GetDistinctWords(String[] input)
        {               
            if (input == null)           
                return new string[0];           
            else
            {
                ArrayList list=new ArrayList() ;
               
                for (int i=0; i input.Length; i++)
                    if (!list.Contains(input[i])) // N-GRAM SIMILARITY?
                        list.Add(input[i]);
                return Tokeniser.ArrayListToArray(list) ;
            }
        }

        private int CountWords(string word, string[] words)
        {
            int itemIdx=Array.BinarySearch(words, word);
           
            if (itemIdx > 0)           
                while (itemIdx > 0 words[itemIdx].Equals(word))
                    itemIdx--;               
            int count=0;
            while (itemIdx words.Length itemIdx >= 0)
            {
                if (words[itemIdx].Equals(word)) count++;
                itemIdx++;
                if (itemIdx words.Length)               
                    if (!words[itemIdx].Equals(word)) break;
            }
            return count;
        }               
}


 
缺點:
 
由于有可能一個文章的特征向量詞特別多導致整個向量維度很高,使得計算的代價太大不適合大數據量的計算。
 
SimHash原理:
 
算法的主要思想是降維,將高維的特征向量映射成一個f-bit的指紋(fingerprint),通過比較兩篇文章的f-bit指紋的Hamming Distance來確定文章是否重復或者高度近似。由于每篇文章我們都可以事先計算好Hamming Distance來保存,到時候直接通過Hamming Distance來計算,所以速度非常快適合大數據計算。
 
Google就是基于此算法實現網頁文件查重的。我們假設有以下三段文本:
 
1,the cat sat on the mat
 
2,the cat sat on a mat
 
3,we all scream for ice cream
 
如何實現這種hash算法呢?以上述三個文本為例,整個過程可以分為以下六步:
1、選擇simhash的位數,請綜合考慮存儲成本以及數據集的大小,比如說32位
2、將simhash的各位初始化為0
3、提取原始文本中的特征,一般采用各種分詞的方式。比如對于"the cat sat on the mat",采用兩兩分詞的方式得到如下結果:{"th", "he", "e ", " c", "ca", "at", "t ", " s", "sa", " o", "on", "n ", " t", " m", "ma"}
4、使用傳統的32位hash函數計算各個word的hashcode,比如:"th".hash = -502157718
,"he".hash = -369049682,……
5、對各word的hashcode的每一位,如果該位為1,則simhash相應位的值加1;否則減1
6、對最后得到的32位的simhash,如果該位大于1,則設為1;否則設為0

希望本文所述對大家的.net程序設計有所幫助。

您可能感興趣的文章:
  • VB.NET中使用種子填充算法實現給圖片著色的例子
  • .net C# 實現任意List的笛卡爾乘積算法代碼
  • asp.net 冒泡算法的理解
  • asp.NET 臟字過濾算法 修改版
  • asp.NET 臟字過濾算法
  • asp.net 2個日期之間的整月數的算法
  • asp.net下常用的加密算法MD5、SHA-1應用代碼
  • asp.net TripleDES加密、解密算法
  • 赫赫大名的A*尋路算法(vb.net版本)
  • asp.net(c#)兩種隨機數的算法,可用抽考題

標簽:淮北 廣元 吉林 固原 樂山 咸寧 賀州 池州

巨人網絡通訊聲明:本文標題《.NET下文本相似度算法余弦定理和SimHash淺析及應用實例分析》,本文關鍵詞  .NET,下,文本,相似,度,算法,;如發現本文內容存在版權問題,煩請提供相關信息告之我們,我們將及時溝通與處理。本站內容系統采集于網絡,涉及言論、版權與本站無關。
  • 相關文章
  • 下面列出與本文章《.NET下文本相似度算法余弦定理和SimHash淺析及應用實例分析》相關的同類信息!
  • 本頁收集關于.NET下文本相似度算法余弦定理和SimHash淺析及應用實例分析的相關信息資訊供網民參考!
  • 推薦文章
    主站蜘蛛池模板: 91热爆国产最美TS人妖沫沫| 很黄很黄有细节的短篇小说| 国产婬乱片A片AAA毛姪片| 特级毛片爽www免费版 | 37p粉嫩大胆色噜噜噜| 越南一级婬片A片AAA毛片小说| 曰批美女免费视频播放| 国产三级日产三级韩国三级韩级| 艳妇肉欲高潮呻吟1—6| 双性被室友灌满精H男男视频| 男人脱裤摸j视频| **毛片免费| 人猿泰山h版k8经典片| 真人无码秘?羞羞视频免费| 日本gifXXOO动态图| 美女裸体片| 一级做a爰全过程免费视频毛片| 女被强伦姧bd高清电影| 操欧美老逼| 肚子灌满了走路h| 九色丨91丨窝蚪人妻| 秋霞理论午夜一级一片| 秘密囚禁| 女明星超h版系列小说| 《冢本昭和系列》在线| 国产噜噜噜视频在线观看| 国产一级****爱做毛片| 亲戚交换大杂乱tⅹt| 甜哄(1v1,年龄差)| 欧美性受xxxx白人性爽网站| 国产婷婷在线五月综合亚洲| 蜜月aⅴ国产精品| 大山里的性混乱小说| 久久999精品久久久有什么优势| 看了让人下面流水的视频| bt天堂在线www资源种子在线| 91国精产品秘?一区二区三区| 国产伦精品视频一区二区三区| 女同性互吃奶乳免费视频 | 久免费一级suv好看的国产 | 美女乳房视频|