公司需求要求实现一个文本查重，重复率超过70% 就不让用户新增文本。固研究实现基于java的文本查重工具，分享出来方便大家使用～

ansj 分词法介绍

Ansj 是一个开源的 Java 中文分词工具，基于中科院的 ictclas 中文分词算法，采用隐马尔科夫模型（HMM），比其他常用的开源分词工具（如 MMseg4j）的分词准确率更高。作者为孙健（ansjsun），目前实现了中文分词、中文姓名识别、用户自定义词典、关键字提取、自动摘要、关键字标记等功能，适用于对分词效果要求高的各种项目。虽然 Ansj 分词的基本原理与 ictclas 的一样，但是 Ansj 做了一些工程上的优化，比如：用 DAT 高效地实现检索词典、邻接表实现分词 DAG、支持自定义词典与自定义消歧义规则等。

Ansj 分词器 git地址： github.com/NLPchina/an...

配置文件

在ansj中配置文件名为library.properties，这是一个不可更改的约定。

字段名	默认值	说明
isNameRecognition	true	是否开启人名识别
isNumRecognition	true	是否开启数字识别
isQuantifierRecognition	true	是否数字和量词合并
isRealName	false	是否取得真实的词,默认情况会取得标注化后的
isSkipUserDefine	false	是否用户辞典不加载相同的词
dic	`library/default.dic`	自定义词典路径
dic_[key]	`你的词典路径`	针对不同语料调用不同的自定义词典
ambiguity	`library/ambiguity.dic`	歧义词典路径
ambiguity_[key]	`library/ambiguity.dic`	歧义词典路径
crf	`null`	crf 词典路径,不设置为默认
crf_[key]	`你的模型路径`	针对不同语料调用不同的分词模型
synonyms	`默认的同义词典`	针对不同语料调用不同的分词模型
synonyms_[key]	`你的同义词典路径`	针对不同语料调用不同的分词模型

默认的配置文件：

ini 复制代码

#path of userLibrary this is default library
dic=library/default.dic

#redress dic file path
ambiguityLibrary=library/ambiguity.dic

#set real name
isRealName=true

#isNameRecognition default true
isNameRecognition=true

#isNumRecognition default true
isNumRecognition=true

#digital quantifier merge default true
isQuantifierRecognition=true

目前支持的分词策略：

名称	用户自定义词典	数字识别	人名识别	机构名识别	新词发现
BaseAnalysis	X	X	X	X	X
ToAnalysis	√	√	√	X	X
DicAnalysis	√	√	√	X	X
IndexAnalysis	√	√	√	X	X
NlpAnalysis	√	√	√	√	√

计算余弦相似度

余弦相似度是常见的相似度衡量手段，能够用以比对两个向量间的相似水准。如下代码呈现了计算两篇论文之余弦相似度的方式：

余弦相似度是一种常用的计算两个向量相似性的方法。它基于向量的点积和向量的模。

计算余弦相似度的原理如下：

向量表示：将需要比较的对象表示为向量。
点积运算：计算两个向量的点积，即对应元素相乘后再求和。
向量模的计算：分别计算每个向量的模，通常使用欧几里得范数。
计算余弦相似度：用两个向量的点积除以它们的模的乘积。

具体公式为：

余弦相似度 = 向量 A 与向量 B 的点积 / （向量 A 的模 × 向量 B 的模）

余弦相似度的取值范围在 -1 到 1 之间：

值为 1：表示两个向量完全相同，即具有最大相似度。
值为 0：表示两个向量相互垂直，即没有相似性。
值为 -1：表示两个向量完全相反，即具有最小相似度。

余弦相似度的优点包括：

不受向量大小影响：它比较的是向量的方向，而不是它们的绝对大小。
对噪声相对不敏感：在存在一些噪声或误差的情况下仍能给出相对合理的相似度度量。

在实际应用中，余弦相似度常用于：

文本相似性度量：比较文本向量的相似度。
图像相似性分析：衡量图像特征向量的相似程度。
推荐系统：找到用户或物品之间的相似性。

scss 复制代码

/**
     * 计算余弦相似度
     * @param vec1 map1
     * @param vec2 map2
     * @return 相似度
     */
    public double calculateCosSimilarity(Map<String, Integer> vec1, Map<String, Integer> vec2) {
        double dotProduct = 0.0;
        double norm1 = 0.0;
        double norm2 = 0.0;
        for (Map.Entry<String, Integer> entry : vec1.entrySet()) {
            String word = entry.getKey();
            int count = entry.getValue();
            dotProduct += count * vec2.getOrDefault(word, 0);
            norm1 += Math.pow(count, 2);
        }
        for (Map.Entry<String, Integer> entry : vec2.entrySet()){
            int count = entry.getValue();
            norm2 += Math.pow(count, 2);
        }
        return dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2));
    }

    /**
     * 计算余弦相似度
     * @param context1 文本1
     * @param context2 文本2
     * @return 相似度
     */
    public double calculateCosSimilarity(String context1, String context2){
        return calculateCosSimilarity(participleNlp(context1).stream().collect(Collectors.groupingBy(o -> o, Collectors.summingInt(o -> 1))),
                participleNlp(context2).stream().collect(Collectors.groupingBy(o -> o, Collectors.summingInt(o -> 1))));
    }

具体实现看这里

mavaen 依赖

采用 ansj 5.1.6的版本

xml 复制代码

        <dependency>
            <groupId>org.ansj</groupId>
            <artifactId>ansj_seg</artifactId>
            <version>5.1.6</version>
        </dependency>

util 代码如下

typescript 复制代码

package cn.ideamake.business.tools.util;

import lombok.experimental.UtilityClass;
import org.ansj.domain.Term;
import org.ansj.splitWord.analysis.NlpAnalysis;

import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;

/**
 * @author Barcke
 * @version 1.0
 * @projectName business-tools
 * @className TextPlagiarismCheckUtil
 * @date 2024/4/16 09:40
 * @slogan: 源于生活 高于生活
 * @description: 文本查重工具 分词采用 ansj 分词方法
 **/
@UtilityClass
public class TextPlagiarismCheckUtil {

    // 分词方法 可替换！！！  start 
    
    /**
     * Nlp分词方式
     * @param context 文本信息
     * @return 分词后的list
     */
    public List<String> participleNlp(String context){
        return participleNlpToTerm(context).stream().map(Term::getName).collect(Collectors.toList());
    }

    /**
     * Nlp分词方式
     * @param context 文本信息
     * @return 分词后的Term
     */
    public List<Term> participleNlpToTerm(String context){
        return NlpAnalysis.parse(context).getTerms();
    }

    // 分词方法 可替换！！！  end

    /**
     * 计算余弦相似度
     * @param vec1 map1
     * @param vec2 map2
     * @return 相似度
     */
    public double calculateCosSimilarity(Map<String, Integer> vec1, Map<String, Integer> vec2) {
        double dotProduct = 0.0;
        double norm1 = 0.0;
        double norm2 = 0.0;
        for (Map.Entry<String, Integer> entry : vec1.entrySet()) {
            String word = entry.getKey();
            int count = entry.getValue();
            dotProduct += count * vec2.getOrDefault(word, 0);
            norm1 += Math.pow(count, 2);
        }
        for (Map.Entry<String, Integer> entry : vec2.entrySet()){
            int count = entry.getValue();
            norm2 += Math.pow(count, 2);
        }
        return dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2));
    }

    /**
     * 计算余弦相似度
     * @param context1 文本1
     * @param context2 文本2
     * @return 相似度
     */
    public double calculateCosSimilarity(String context1, String context2){
        return calculateCosSimilarity(participleNlp(context1).stream().collect(Collectors.groupingBy(o -> o, Collectors.summingInt(o -> 1))),
                participleNlp(context2).stream().collect(Collectors.groupingBy(o -> o, Collectors.summingInt(o -> 1))));
    }

    /**
     * 判断文本是否重复
     * @param context1 文本1
     * @param context2 文本2
     * @param threshold 阈值
     * @return 是否重复
     */
    public boolean ifPlagiarism(String context1, String context2, double threshold){
        return calculateCosSimilarity(context1, context2) > threshold;
    }

    /**
     * 判断文本是否重复 默认阈值 0.7
     * @param context1 文本1
     * @param context2 文本2
     * @return 是否重复
     */
    public boolean ifPlagiarism(String context1, String context2){
        return ifPlagiarism(context1, context2, 0.7);
    }

}

使用案例

rust 复制代码

    public static void main(String[] args) {
        String str = "java实现论文查重，文本查重方案 采用 ansj 分词法（barcke） -----" ;

        String str2 = "java实现论文查重，文本查重方案 采用 ansj 分词法（barcke） -----" ;

	    String str3 = "java实现cke） -----" ;

        System.out.println("分词数据（ansj分词法）：" + TextPlagiarismCheckUtil.participleNlp(str));

        System.out.println("重复率：" + TextPlagiarismCheckUtil.calculateCosSimilarity(str, str2) + "是否重复（默认阈值0.7）：" + TextPlagiarismCheckUtil.ifPlagiarism(str, str2));

        System.out.println("重复率：" + TextPlagiarismCheckUtil.calculateCosSimilarity(str, str3) + "是否重复（默认阈值0.7）：" + TextPlagiarismCheckUtil.ifPlagiarism(str, str3));
    }

执行结果：

java实现论文查重，文本查重方案 采用 ansj 分词法