Java 类名：com.alibaba.alink.pipeline.similarity.TextSimilarityPairwise
Python 类名：TextSimilarityPairwise

功能介绍

文章相似度是在字符串相似度的基础上，基于词，计算两两文章或者句子之间的相似度，文章或者句子需要以空格分割的文本，计算方式和字符串相似度类似： 支持Levenshtein Distance，Longest Common SubString，String Subsequence Kernel，Cosine，SimHashHamming，MinHash和Jaccard七种相似度计算方式，通过选择metric参数可计算不同的相似度。
Levenshtein（Levenshtein Distance）支持距离和相似度两种方式，相似度=(1-距离)/length，length为两个字符长度的最大值，距离应选择metric的参数为LEVENSHTEIN，相似度应选metric的参数为LEVENSHTEIN_SIM。
LCS（Longest Common SubString）支持距离和相似度两种参数，相似度=(1-距离)/length，length为两个字符长度的最大值，距离应选择metric的参数为LCS，相似度应选择metric的参数为LCS_SIM。
SSK（String Subsequence Kernel）支持相似度计算，应选择metric的参数为SSK。
Cosine（Cosine）支持相似度计算，应选择metric的参数为COSINE。
SimhashHamming（SimHash_Hamming_Distance)，支持距离和相似度两种方式，相似度=1-距离/64.0，距离应选择metric的参数为SIMHASH_HAMMING，相似度应选择metric的参数为SIMHASH_HAMMING_SIM。
MinHash 支持相似度计算，应选择metric的参数为MINHASH_SIM。
Jaccard 支持相似度计算，应选择metric的参数为JACCARD_SIM。
Alink上文本相似度算法包括Batch组件和Stream组件。

参数说明

名称 中文名称 描述 类型 是否必须？ 取值范围 默认值
outputCol 输出结果列列名 输出结果列列名，必选 String ✓
selectedCols 选择的列名 计算列对应的列名列表 String[] ✓
lambda 匹配字符权重 匹配字符权重，SSK中使用 Double 0.5
metric 度量类型 计算距离时，可以取不同的度量 String “LEVENSHTEIN”, “LEVENSHTEIN_SIM”, “LCS”, “LCS_SIM”, “SSK”, “COSINE”, “SIMHASH_HAMMING”, “SIMHASH_HAMMING_SIM”, “JACCARD_SIM” “LEVENSHTEIN_SIM”
numBucket 分桶个数 分桶个数 Integer 10
numHashTables 哈希表个数 哈希表的数目 Integer 10
reservedCols 算法保留列名 算法保留列 String[] null
seed 采样种子 采样种子 Long 0
windowSize 窗口大小 窗口大小 Integer [1, +inf) 2
numThreads 组件多线程线程个数 组件多线程线程个数 Integer 1

代码示例

Python 代码

  1. from pyalink.alink import *
  3. import pandas as pd
  5. useLocalEnv(1)
  7. df = pd.DataFrame([
  8.     [0, "a b c d e", "a a b c e"],
  9.     [1, "a a c e d w", "a a b b e d"],
  10.     [2, "c d e f a", "b b c e f a"],
  11.     [3, "b d e f h", "d d e a c"],
  12.     [4, "a c e d m", "a e e f b c"]
  13. ])
  15. inOp = BatchOperator.fromDataframe(df, schemaStr='id long, text1 string, text2 string')
  16. similarity = TextSimilarityPairwise().setSelectedCols(["text1", "text2"]).setMetric("LEVENSHTEIN").setOutputCol("output")
  17. similarity.transform(inOp).print()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  5. import com.alibaba.alink.pipeline.similarity.TextSimilarityPairwise;
  6. import org.junit.Test;
  8. import java.util.Arrays;
  9. import java.util.List;
  11. public class TextSimilarityPairwiseTest {
  12.     @Test
  13.     public void testTextSimilarityPairwise() throws Exception {
  14.         List <Row> df = Arrays.asList(
  15.             Row.of(0, "a b c d e", "a a b c e"),
  16.             Row.of(1, "a a c e d w", "a a b b e d"),
  17.             Row.of(2, "c d e f a", "b b c e f a"),
  18.             Row.of(3, "b d e f h", "d d e a c"),
  19.             Row.of(4, "a c e d m", "a e e f b c")
  20.         );
  21.         BatchOperator <?> inOp = new MemSourceBatchOp(df, "id int, text1 string, text2 string");
  22.         TextSimilarityPairwise similarity = new TextSimilarityPairwise().setSelectedCols("text1", "text2").setMetric(
  23.             "LEVENSHTEIN").setOutputCol("output");
  24.         similarity.transform(inOp).print();
  25.     }
  26. }

运行结果

| id | text1 | text2 | output | | —- | —- | —- | —- |

| 0 | a b c d e | a a b c e | 2.0 |

| 1 | a a c e d w | a a b b e d | 3.0 |

| 2 | c d e f a | b b c e f a | 3.0 |

| 3 | b d e f h | d d e a c | 3.0 |

| 4 | a c e d m | a e e f b c | 4.0 |