MyException - 我的异常网
当前位置:我的异常网» J2EE » 大家推荐一下判断两篇文章相似度方法?小弟我尝试用

大家推荐一下判断两篇文章相似度方法?小弟我尝试用lucene模糊搜索可以很好判断5、6个字的标题,但内容就不行了?有什么框架或方法可以实现

www.MyException.Cn  网友分享于:2013-01-16  浏览:285次
大家推荐一下判断两篇文章相似度方法?我尝试用lucene模糊搜索可以很好判断5、6个字的标题,但内容就不行了?有什么框架或方法可以实现?
我得从个个网站采集些内容,但得判断他们是否重复,确定用标题和其他信息不能达到很好效果,只能通过文章内容来判断,但内容也可能有些字被修改过,所以也不完全一样,可能多几个字,少几个字。通过什么方法或者什么框架可以判断两篇文章相似度?

------解决方案--------------------
用算法中的求最大相似子字符串的方法LCS或许可以,它可以找到两个字符串中最大相似的子字符串

Java code

/*
 * @author talent_marquis<甜菜侯爵>
 * Email: talent_marquis@163.com
 * Copyright (C) 2007 talent_marquis<甜菜侯爵>
 * All rights reserved.
 */


package ustc.mse.algorithms.dynamicProgramming;


/*
 * LCS, Longest-Common-Subsequence
 */
public class LCS
{    
    public enum DIRECTION{ TOP, TOP_LEFT, LEFT };
    private char[] first;
    private char[] second;
    private int[][] lcsTable;
    private DIRECTION[][] lcsAssistTable;
    private int lcsLength;
    private String lcs_str, lcsMatrix_str, lcsAssistMatrix_str;
    private StringBuffer str_buffer;
    
    public LCS( String str1, String str2 )
    {
        first = str1.toCharArray();
        second = str2.toCharArray();
        lcsTable = new int[ first.length + 1 ][ second.length + 1 ];
        lcsAssistTable = new DIRECTION[ first.length + 1 ][ second.length + 1];
        lcs_str = null;
        str_buffer = new StringBuffer();
    }    
    
    public static void main(String[] args)
    {
        String a = "我抄我抄我抄抄抄:明月几时有,把酒问青天,不知天上宫阙,今夕是何年";
        String b = "苏轼曾经写过“明月几时有,把酒问青天”的千古名句";
        
        LCS lcs = new LCS( a, b );        
        
        lcs.getLCSLength();
        lcs.runLCS();
        println( "最大相似子字符串长度是:" + lcs.getLCSLength() );
        println( "最大相似子字符串为:" + lcs.getLCS() );
    }
    
    public int getLCSLength()
    {
        lcsLength = getLCSLength( first, second );
        return lcsLength;
    }
    
    private int getLCSLength( char[] one, char[] two )
    {
        lcsTable = new int[ one.length + 1 ][ two.length + 1 ];
        lcsAssistTable = new DIRECTION[ one.length + 1 ][ two.length + 1];
        
        for ( int i = 0; i < one.length ; i++ )
        {
            lcsTable[ i ][ 0 ] = 0;
        }

        
        for ( int j = 0; j < two.length - 1; j++ )
        {
            lcsTable[ 0 ][ j ] = 0;
        }
        
        for ( int i = 0; i < one.length; i++ )
        {
            for ( int j = 0; j < two.length; j++ )
            {
                if ( one[ i ] == two[ j ] )
                {
                    lcsTable[ i + 1 ][ j + 1 ] = lcsTable[ i ][ j ] + 1;
                    lcsAssistTable[ i + 1 ][ j + 1 ] = DIRECTION.TOP_LEFT;    
                }
                else if ( lcsTable[ i ][ j + 1 ] >= lcsTable[ i + 1 ][ j ] )
                {
                    lcsTable[ i + 1 ][ j + 1 ] = lcsTable[ i ][ j + 1 ];
                    lcsAssistTable[ i + 1 ][ j + 1 ] = DIRECTION.TOP;
                }
                else
                {
                    lcsTable[ i + 1 ][ j + 1 ] = lcsTable[ i + 1 ][ j ];
                    lcsAssistTable[ i + 1 ][ j + 1 ] = DIRECTION.LEFT;
                }
            }
        }
        
        lcsLength = lcsTable[ one.length ][ two.length ];        
        return lcsLength;
    }
    
    public void runLCS()
    {
        runLCS( lcsAssistTable, first, first.length, second.length );
        lcs_str = str_buffer.toString();
    }
    
    private void runLCS( DIRECTION[][] lcsAssistTable, char[] one, int oneLength, int twoLength )
    {
        if( oneLength == 0 || twoLength == 0 )
        {
            return;
        }
            
        
        int i = oneLength ;
        int j = twoLength ;
        
        if( lcsAssistTable[ i ][ j ] == DIRECTION.TOP_LEFT )
        {
            runLCS( lcsAssistTable, one, i - 1, j -1 );
            str_buffer.append( one[ i - 1 ] );
        }
        else if ( lcsAssistTable[ i ][ j ] == DIRECTION.TOP )
        {
            runLCS( lcsAssistTable, one, i - 1, j );
        }
        else
        {
            runLCS( lcsAssistTable, one, i, j -1 );
        }
        
    }
    
    public String getLCSAssistMatrixString()
    {
        str_buffer = new StringBuffer();
        for( DIRECTION[] row: lcsAssistTable)
        {
            for( DIRECTION element : row )
            {
                if( element == DIRECTION.LEFT )
                {
                    str_buffer.append( "�� " );
                }
                else if (element == DIRECTION.TOP )
                {
                    str_buffer.append( "�� " );
                }
                else if (element == DIRECTION.TOP_LEFT)
                {
                    str_buffer.append( "�I " );
                }
                else
                {
                    //str_buffer.append( "\t" );
                }
            }
            str_buffer.append( "\n" );
        }
        lcsAssistMatrix_str = str_buffer.toString();
        
        return lcsAssistMatrix_str;
    }
    
    public String getLCSMatrixString()
    {
        str_buffer = new StringBuffer();
        for( int[] row: lcsTable)
        {
            for( int element : row )
            {
                str_buffer.append( element + " " );
            }
            str_buffer.append( "\n" );
        }
        lcsMatrix_str = str_buffer.toString();
        return lcsMatrix_str;
    }
    
    public static void print( Object o )
    {
        System.out.print( o );
    }
    
    public static void println( Object o )
    {
        System.out.println( o );
    }

    public String getLCS()
    {
        return lcs_str;
    }

    /**
     * @return first
     */
    public char[] getFirstCharArray()
    {
        return first;
    }
    

    /**
     * @return second
     */
    public char[] getSecondCharArray()
    {
        return second;
    }


    /**
     * @return lcsAssistTable
     */
    public DIRECTION[][] getLcsAssistTable()
    {
        return lcsAssistTable;
    }


    /**
     * @return lcsTable
     */
    public int[][] getLcsTable()
    {
        return lcsTable;
    }
}

文章评论

程序员眼里IE浏览器是什么样的
程序员眼里IE浏览器是什么样的
为什么程序员都是夜猫子
为什么程序员都是夜猫子
我的丈夫是个程序员
我的丈夫是个程序员
每天工作4小时的程序员
每天工作4小时的程序员
团队中“技术大拿”并非越多越好
团队中“技术大拿”并非越多越好
为啥Android手机总会越用越慢?
为啥Android手机总会越用越慢?
 程序员的样子
程序员的样子
Web开发者需具备的8个好习惯
Web开发者需具备的8个好习惯
程序员最害怕的5件事 你中招了吗?
程序员最害怕的5件事 你中招了吗?
老美怎么看待阿里赴美上市
老美怎么看待阿里赴美上市
程序员必看的十大电影
程序员必看的十大电影
做程序猿的老婆应该注意的一些事情
做程序猿的老婆应该注意的一些事情
“肮脏的”IT工作排行榜
“肮脏的”IT工作排行榜
老程序员的下场
老程序员的下场
旅行,写作,编程
旅行,写作,编程
代码女神横空出世
代码女神横空出世
60个开发者不容错过的免费资源库
60个开发者不容错过的免费资源库
那些争议最大的编程观点
那些争议最大的编程观点
程序员和编码员之间的区别
程序员和编码员之间的区别
程序员都该阅读的书
程序员都该阅读的书
我是如何打败拖延症的
我是如何打败拖延症的
Web开发人员为什么越来越懒了?
Web开发人员为什么越来越懒了?
编程语言是女人
编程语言是女人
如何区分一个程序员是“老手“还是“新手“?
如何区分一个程序员是“老手“还是“新手“?
看13位CEO、创始人和高管如何提高工作效率
看13位CEO、创始人和高管如何提高工作效率
10个调试和排错的小建议
10个调试和排错的小建议
中美印日四国程序员比较
中美印日四国程序员比较
科技史上最臭名昭著的13大罪犯
科技史上最臭名昭著的13大罪犯
聊聊HTTPS和SSL/TLS协议
聊聊HTTPS和SSL/TLS协议
鲜为人知的编程真相
鲜为人知的编程真相
程序员周末都喜欢做什么?
程序员周末都喜欢做什么?
程序员的鄙视链
程序员的鄙视链
程序员的一天:一寸光阴一寸金
程序员的一天:一寸光阴一寸金
“懒”出效率是程序员的美德
“懒”出效率是程序员的美德
写给自己也写给你 自己到底该何去何从
写给自己也写给你 自己到底该何去何从
亲爱的项目经理,我恨你
亲爱的项目经理,我恨你
Java程序员必看电影
Java程序员必看电影
Java 与 .NET 的平台发展之争
Java 与 .NET 的平台发展之争
一个程序员的时间管理
一个程序员的时间管理
5款最佳正则表达式编辑调试器
5款最佳正则表达式编辑调试器
10个帮程序员减压放松的网站
10个帮程序员减压放松的网站
要嫁就嫁程序猿—钱多话少死的早
要嫁就嫁程序猿—钱多话少死的早
什么才是优秀的用户界面设计
什么才是优秀的用户界面设计
十大编程算法助程序员走上高手之路
十大编程算法助程序员走上高手之路
不懂技术不要对懂技术的人说这很容易实现
不懂技术不要对懂技术的人说这很容易实现
软件开发程序错误异常ExceptionCopyright © 2009-2015 MyException 版权所有