C# 比较两文本相似度
|
admin
2023年3月22日 16:41
本文热度 699
|
这个比较文本用到的主要是余弦定理比较文本相似度，具体原理右转某度，主要适用场景是在考试系统中的简答题概述，可根据权重自动打分，感觉实用性蛮广的。
先说下思路：
文本分词，中文于英文不同，规范的英文每个都有空格自动分词，中文则是连成长串，我们只有一一比对每个词出现的频率做简单的比较，在这里使用到了SCWS的一个分词api接口http://www.ftphp.com/scws/api.php（仅支持POST，因为要模拟Http请求，所以请求时间也是根据具体环境而定，所以可以自己手写一些字典，本地分词要来的快）。但是用此接口分词过程中，标点符号不会被去掉，所以需要自己手动写方法去掉标点。
获取两个文本的去重复并集
比较每个词出现的频率
根据余弦定理计算权重
下面是具体的代码段（请求是在网上找的，原链接找不到了。。）
class Program
{
static void Main(string[] args)
{
Console.Write(Sim("床前明月光，疑是地上霜", "床前明月光，疑是地上霜"));
}
public static double Sim(string txt1, string txt2)
{
List<string> sl1 = Segment(txt1);
List<string> sl2 = Segment(txt2);
//去重
List<string> sl = sl1.union(sl2).ToList<string>();
//获取重复次数
List<int> arrA = new List<int>();
List<int> arrB = new List<int>();
foreach (var str in sl)
{
arrA.Add(sl1.where(x => x == str).Count());
arrB.Add(sl2.where(x => x == str).Count());
}
//计算商
double num = 0;
//被除数
double numA = 0;
double numB = 0;
for (int i = 0; i < sl.Count; i++)
{
num += arrA[i] * arrB[i];
numA += Math.Pow(arrA[i], 2);
numB += Math.Pow(arrB[i], 2);
}
double cos = num / (Math.Sqrt(numA)* Math.Sqrt(numB));
return cos;
}
public static List<string> Segment(string str)
{
List<string> sl = new List<string>();
try
{
string s = string.Empty;
System.Net.CookieContainer cookieContainer = new System.Net.CookieContainer();
// 将提交的字符串数据转换成字节数组
byte[] postData = System.Text.Encoding.ASCII.GetBytes("data=" + System.Web.HttpUtility.UrlEncode(str) + "&respond=json&charset=utf8&ignore=yes&duality=no&traditional=no&multi=0");
// 设置提交的相关参数
System.Net.HttpWebRequest request = System.Net.WebRequest.create("http://www.ftphp.com/scws/api.php") as System.Net.HttpWebRequest;
request.Method = "POST";
request.KeepAlive = false;
request.ContentType = "application/x-www-form-urlencoded";
request.CookieContainer = cookieContainer;
request.ContentLength = postData.Length;
// 提交请求数据
System.IO.Stream outputStream = request.GetRequestStream();
outputStream.Write(postData, 0, postData.Length);
outputStream.Close();
// 接收返回的页面
System.Net.HttpWebResponse response = request.GetResponse() as System.Net.HttpWebResponse;
System.IO.Stream responseStream = response.GetResponseStream();
System.IO.StreamReader reader = new System.IO.StreamReader(responseStream, System.Text.Encoding.GetEncoding("utf-8"));
string val = reader.ReadToEnd();
Newtonsoft.Json.Linq.JObject results = Newtonsoft.Json.Linq.JObject.Parse(val);
foreach (var item in results["words"].Children())
{
Newtonsoft.Json.Linq.JObject word = Newtonsoft.Json.Linq.JObject.Parse(item.ToString());
var sss = word["word"].ToString();
//判断是否为标点符
bool offom = false;
foreach (char t in sss)
{
if (t >= 0x4e00 && t <= 0x9fbb)
{
offom = true;
}
else
{
offom = false;
}
}
if (offom)
{
sl.Add(sss);
}
}
}
catch
{
}
return sl;
}
}
以上 感觉很多地方都可以优化，以后想到更好的再重新来一遍
该文章在 2023/3/22 16:41:37 编辑过
400 186 1886
