查重的简单实现原理

前言

项目中有一个查重的需求，就类似论文查重这种的需求，我的组长已经写好了这个 Demo 了，我也挺感兴趣的，所以也看了看是如何实现的，看完后，感慨一声，噢！原来是这样实现的啊！现在呢，就记录下我从中学到的知识！

需求

输入：需要查重的内容，通常是非常长的文本，对于论文来说，可能上万字。

输出：显示重复的句子，将重复句子标红，以及整体内容的重复率。

标红是次要矛盾，查重是主要矛盾，需要先解决。

发挥想象

我们想象一下，纯人工查重的办法。工作人员拿到一篇论文，阅读这篇论文（假设该工作人员的大脑是超强大脑，工作人员对论文库中的论文非常熟悉，基本能倒背如流的程度），每阅读一句就与大脑中的论文进行对比，如果发现重复的内容太多了（即重复的句子很多），那么计算下重复的内容大概占全文的多少，进而得出整篇论文的重复率。

很明显，人工查重，效率肯定是不高的。

如何通过代码实现？

已有资源：

  • 一篇待查重的论文，假设论文内容两万字。
  • 论文数据库中大量的论文数据，假设数据库中的每篇论文的内容也两万字左右。

思路：将输入的论文内容与论文数据库中存在的论文内容进行一一对比。

思考：

  • 如何对比？是一句一句进行对比，还是一段一段的进行对比？
  • 对比的时候，如何才能说明对比的内容是重复的？也就是说判断重复的标准是什么？

接触新领域：

自然语言处理（NLP），自然语言处理任务中，我们经常需要判断两篇文档是否相似、计算两篇文档的相似程度。

文本相似度算法

对于如何说明对比的内容是重复的，那么这里就涉及到文本相似度算法了。通过查找资料，我了解到文本相似度算法有挺多的。

掘金-如何计算两个字符串之间的文本相似度?

掘金-文本相似度计算之余弦定理

下面我列举了几种：

  • Jaccard 相似度算法
  • Sorensen Dice 相似度系数
  • Levenshtein
  • 汉明距离（海明距离）（Hamming Distance）
  • 余弦相似性

对于这些文本相似度的算法，主要就是对文本进行分词，然后再对分好的词进行相关的计算，得出两个文本的相似度。

所以，对于两个文本，计算相似度的思路是：分词->通过某种算法计算得到相似度

断句

当然，这些算法，都是两个文本进行的，这两个文本可以是句子，也可以是段落，还可以是超长文本。假设我们直接是超长文本，直接使用相似度算法去匹配相似度，那么可能会误判，毕竟超长文本，分词出来的词语，相同的数量肯定是很多的，所以重复性也就会越高。

所以，首先要解决的问题就是，对于超长的文本，我们该如何进行中文断句？

经过了解，得知 BreakIterator 这个类可以完成这件事。

BreakIterator：https://docs.oracle.com/javase/7/docs/api/java/text/BreakIterator.html

CSDN-Java国际化：BreakIterator

分词

分词，将一个句子中的词语进行划分，分出有意义的词语。这里主要使用 IK 分词器。

实现

准备工作

Maven依赖

<!-- IK分词器 -->
<dependency>
    <groupId>com.janeluo</groupId>
    <artifactId>ikanalyzer</artifactId>
    <version>2012_u6</version>
</dependency>
<!-- 汉语言处理包 Han Natural Language Processing -->
<dependency>
    <groupId>com.hankcs</groupId>
    <artifactId>hanlp</artifactId>
    <version>portable-1.5.4</version>
</dependency>
<!-- 阿帕奇 集合工具 -->
<dependency>
    <groupId>org.apache.commons</groupId>
    <artifactId>commons-collections4</artifactId>
    <version>4.4</version>
</dependency>
<!-- 糊涂工具包 -->
<dependency>
    <groupId>cn.hutool</groupId>
    <artifactId>hutool-all</artifactId>
    <version>5.7.10</version>
</dependency>
<dependency>
    <groupId>org.projectlombok</groupId>
    <artifactId>lombok</artifactId>
    <version>1.18.16</version>
</dependency>
<dependency>
    <groupId>org.apache.commons</groupId>
    <artifactId>commons-lang3</artifactId>
    <version>3.8.1</version>
</dependency>

Sentence 类

把句子抽象出来，写成一个 Sentence 类去代表句子。

@Data
public class Sentence {
    /**
     * 文本
     */
    private String text;
    
    /**
     * 相似度
     */
    private Double similar;
    
    /**
     * 是否重复，0否，1是，默认0，重复标准就是，当相似度大于60%时，就认为该句子是重复的
     */
    private Integer duplicatesState = 0;

    /**
     * 与该句子最相似的句子
     */
    private Sentence maxSimilarSentence;

    /**
     * 重复句子下标，可能存在多个重复句子，所以使用集合记录
     */
    private List<Integer> duplicatesIndex = new ArrayList<>();
}

策略模式

由于这里有多种算法，考虑可以使用策略模式，来选择不同的算法实现。

public interface SimDegreeAlgorithm {

    /**
     * 计算两个句子的相似度
     * @param a
     * @param b
     * @return double
     **/
    double getSimDegree(String a, String b);
}

/**
 * @author god23bin
 * @description Jaccard 相似度算法，集合的交集与集合的并集的比例.
 */
public class Jaccard implements SimDegreeAlgorithm {
    @Override
    public double getSimDegree(String a, String b) {

    }
}

/**
 * @author god23bin
 * @description 余弦相似性算法
 * 怎么用它来计算两个字符串之间的相似度呢？
 * 首先我们将字符串向量化（向量就是并集中的每个字符在各自中出现的频率），之后就可以在一个平面空间中，求出他们向量之间夹角的余弦值即可。
 */
public class CosSim implements SimDegreeAlgorithm {
    @Override
    public double getSimDegree(String a, String b) {

    }
}

/**
 * @author god23bin
 * @description 相似度算法的策略
 */
public class SimDegreeStrategy {

    private SimDegreeAlgorithm simDegreeAlgorithm;

    public SimDegreeStrategy(SimDegreeAlgorithm simDegreeAlgorithm) {
        this.simDegreeAlgorithm = simDegreeAlgorithm;
    }

    public double getSimDegree(String a, String b) {
        return simDegreeAlgorithm.getSimDegree(a, b);
    }
}

本简单实现中，将选择使用余弦相似性算法来作为文本相似度算法的实现。

断句

写一个工具类来实现断句。简单说明一下，如何通过 BreakIterator 这个类实现断句。

  1. 调用 getSentenceInstance() 就可以获取能判断句子边界的实例对象。
  2. 通过实例对象调用 setText() 方法设置需要判断的句子字符串。
  3. 通过实例对象调用 first() 和 next() 方法判断边界点。
  4. 根据边界点进行分割字符串。
public class SentenceUtil {

    /**
     * 将长文本进行断句
     * @param content 长文本
     * @return
     */
    public static List<Sentence> breakSentence(String content) {
        // 获取实例对象
        BreakIterator iterator = BreakIterator.getSentenceInstance(Locale.CHINA);
        // 设置文本，待断句的长文本
        iterator.setText(content);
        // 存储断好的句子
        List<Sentence> list = new ArrayList<>();
        // 断句的边界
        int firstIndex;
        int lastIndex = iterator.first();
        // lastIndex 不等于 -1 （BreakIterator.DONE的值为 -1），说明还没断完，还没结束
        while (lastIndex != BreakIterator.DONE) {
            firstIndex = lastIndex;
            lastIndex = iterator.next();

            if (lastIndex != BreakIterator.DONE) {
                Sentence sentence = new Sentence();
                sentence.setText(content.substring(firstIndex, lastIndex));
                list.add(sentence);
            }
        }
        return list;
    }
}

分词

写一个工具类来实现分词，使用 IK 分词器对文本进行分词。

public class IKUtil {

    /**
     * 以List的形式返回经过IK分词器处理的文本分词的结果
     * @param text 需要分词的文本
     * @return
     */
    public static List<String> divideText(String text) {
        if (null == text || "".equals(text.trim())) {
            return null;
        }
        // 分词结果集
        List<String> resultList = new ArrayList<>();
        // 文本串 Reader
        StringReader re = new StringReader(text);
        // 智能分词： 合并数词和量词，对分词结果进行歧义判断
        IKSegmenter ik = new IKSegmenter(re, true);
        // Lexeme 词元对象
        Lexeme lex = null;
        try {
            // 分词，获取下一个词元
            while ((lex = ik.next()) != null) {
                // 获取词元的文本内容，存入结果集中
                resultList.add(lex.getLexemeText());
            }
        } catch (IOException e) {
            System.out.println("分词IO异常：" + e.getMessage());
        }
        return resultList;
    }
}

余弦相似性算法

逻辑

整个算法的逻辑是这样的，那么我们一一实现。

@Override
public double getSimDegree(String a, String b) {
    if (StringUtils.isBlank(a) || StringUtils.isBlank(b)) {
        return 0f;
    }
    // 将句子进行分词

    // 计算句子中词的词频

    // 向量化

    // a、b 一维向量

    // 分别计算三个参数，再结合公式计算

}

统计词频

分词上面已经实现，那现在是需要对句子中分好的词进行词频的统计，分词工具返回的是一个 List<String> 集合，我们可以通过哈希表对集合中的词语的出现次数进行统计，就是我们要的词频了。

public static Map<String, Integer> getWordsFrequency(List<String> words) {
    Map<String, Integer> wordFrequency = new HashMap<>(16);
    // 统计词的出现次数，即词频
    for (String word : words) {
        wordFrequency.put(word, wordFrequency.getOrDefault(word, 0) + 1);
    }
    return wordFrequency;
}

向量化

向量化，我们看看 @呼延十 大佬是如何说的：

字符串向量化怎么做呢？我举一个简单的例子：

A: 呼延十二
B: 呼延二十三

他们的并集 [呼，延，二，十，三]

向量就是并集中的每个字符在各自中出现的频率。
A 的向量：[1,1,1,1,0]
B 的向量：[1,1,1,1,1]

掘金-如何计算两个字符串之间的文本相似度?-余弦相似性

所以

两个句子是这样的：
句子1：你笑起来真好看，像春天的花一样！
句子2：你赞起来真好看，像夏天的阳光！

进行分词，分词结果及频率：
[你, 笑起来, 真, 好看, 像, 春天, 的, 花, 一样]，出现频率都是1
[你, 赞, 起来, 真, 好看, 像, 夏天, 的, 阳光]，出现频率都是1

它们的并集：
[你，笑起来，赞，起来，真，好看，像，春天，夏天，的，花，一样，阳光]

它们的向量：
         [你，笑起来，赞，起来，真，好看，像，春天，夏天，的，花，一样，阳光]
句子1向量：[1,   1,    0,  0,  1,  1,   1,  1,   0,   1, 1,   1,   0 ]
句子2向量：[1,   0,    1,  1,  1,  1,   1,  0,   1,   1, 1,   0,   1 ]

代码表示：

// 向量化，先并集，然后遍历在并集中对应词语，在自己的分词集合中对应词语出现次数，组成的数就是向量
Set<String> union = new HashSet<>();
union.addAll(aWords);
union.addAll(bWords);
// a、b 一维向量
int[] aVector = new int[union.size()];
int[] bVector = new int[union.size()];
List<String> collect = new ArrayList<>(union);
for (int i = 0; i < collect.size(); ++i) {
    aVector[i] = aWordsFrequency.getOrDefault(collect.get(i), 0);
    bVector[i] = bWordsFrequency.getOrDefault(collect.get(i), 0);
}

计算余弦相似度

最后，计算余弦相似度，结合公式计算。

image-20221021112310429

/**
 * 分别计算三个参数
 * @param aVec a 一维向量
 * @param bVec b 一维向量
 */
public static double similarity(int[] aVec, int[] bVec) {
    int n = aVec.length;
    double p1 = 0;
    double p2 = 0f;
    double p3 = 0f;
    for (int i = 0; i < n; i++) {
        p1 += (aVec[i] * bVec[i]);
        p2 += (aVec[i] * aVec[i]);
        p3 += (bVec[i] * bVec[i]);
    }
    p2 = Math.sqrt(p2);
    p3 = Math.sqrt(p3);
    // 结合公式计算
    return (p1) / (p2 * p3);
}

代码

CosSim

public class CosSim implements SimDegreeAlgorithm {

    /**
     * 计算两个句子的相似度：余弦相似度算法
     * @param a 句子1
     * @param b 句子2
     **/
    @Override
    public double getSimDegree(String a, String b) {
        if (StringUtils.isBlank(a) || StringUtils.isBlank(b)) {
            return 0f;
        }
        // 将句子进行分词
        List<String> aWords = IKUtil.divideText(a);
        List<String> bWords = IKUtil.divideText(b);
        // 计算句子中词的词频
        Map<String, Integer> aWordsFrequency = getWordsFrequency(aWords);
        Map<String, Integer> bWordsFrequency = getWordsFrequency(bWords);
        // 向量化，先并集，然后遍历在并集中对应词语，在自己的分词集合中对应词语出现次数，组成的数就是向量
        Set<String> union = new HashSet<>();
        union.addAll(aWords);
        union.addAll(bWords);
        // a、b 一维向量
        int[] aVector = new int[union.size()];
        int[] bVector = new int[union.size()];
        List<String> collect = new ArrayList<>(union);
        for (int i = 0; i < collect.size(); ++i) {
            aVector[i] = aWordsFrequency.getOrDefault(collect.get(i), 0);
            bVector[i] = bWordsFrequency.getOrDefault(collect.get(i), 0);
        }
        // 分别计算三个参数，再结合公式计算
        return similarity(aVector, bVector);
    }

    public static Map<String, Integer> getWordsFrequency(List<String> words) {
        Map<String, Integer> wordFrequency = new HashMap<>(16);
        // 统计词的出现次数，即词频
        for (String word : words) {
            wordFrequency.put(word, wordFrequency.getOrDefault(word, 0) + 1);
        }
        return wordFrequency;
    }

    /**
     * 分别计算三个参数
     * @param aVec a 一维向量
     * @param bVec b 一维向量
     **/
    public static double similarity(int[] aVec, int[] bVec) {
        int n = aVec.length;
        double p1 = 0;
        double p2 = 0f;
        double p3 = 0f;
        for (int i = 0; i < n; i++) {
            p1 += (aVec[i] * bVec[i]);
            p2 += (aVec[i] * aVec[i]);
            p3 += (bVec[i] * bVec[i]);
        }
        p2 = Math.sqrt(p2);
        p3 = Math.sqrt(p3);
        // 结合公式计算
        return (p1) / (p2 * p3);
    }
}

回顾思考

思考：

  • 如何对比？是一句一句进行对比，还是一段一段的进行对比？
  • 对比的时候，如何才能说明对比的内容是重复的？也就是说判断重复的标准是什么？

通过文本相似度算法，我们可以得到两个句子的相似度。那么相似度多少，我们才能认为它重复了呢？这个就由我们来决定了，在这里，当相似度达到60%以上，那么就认为当前句子是重复的。

现在，整体的查重逻辑应该是比较明了了：

我们可以拿到长文本，对长文本进行断句，得到句子集合，将这个句子集合与数据库中的数据（也进行断句，得到句子集合）进行相似度计算，记录相似度大于标准的句子，即记录重复句子及重复句子的数量，这样我们就能够判断，这长文本里面到底有多少个句子是重复的，进而得出重复率。

分析文本工具类

我们可以再封装一下，写一个分析文本工具类 AnalysisUtil

public class AnalysisUtil {
    
    public static BigDecimal getAnalysisResult(List<Sentence> sentencesA, List<Sentence> sentencesB, SimDegreeAlgorithm algorithm) {
        int simSentenceCnt = getSimSentenceCnt(sentencesA, sentencesB, algorithm);
        BigDecimal analysisResult = null;
        if (CollectionUtil.isNotEmpty(sentencesA)) {
            analysisResult = BigDecimal.valueOf((double) simSentenceCnt / sentencesA.size()).setScale(4, BigDecimal.ROUND_HALF_UP);
        } else {
            analysisResult = new BigDecimal(0);
        }
        return analysisResult;
    }
    
    /**
     * 返回 A 在 B 中的相似句子数量，同时记录相似句子的相似度及其所在位置（在进行处理的过程中，通过对 A 中数据进行相关操作实现）。
     * @param sentencesA 原始文本集合，即断好的句子集合
     * @param sentencesB 模式文本集合，即断好的句子集合
     * @param algorithm 相似度算法
     **/
    public static int getSimSentenceCnt(List<Sentence> sentencesA, List<Sentence> sentencesB, SimDegreeAlgorithm algorithm) {
        return null;
    }
}

计算相似的句子数量

    /**
     * 返回 A 在 B 中的相似句子数量，同时记录相似句子的相似度及其所在位置（在进行处理的过程中，通过对 A 中数据进行相关操作实现）。
     * @param sentencesA 原始文本集合，即断好的句子集合
     * @param sentencesB 模式文本集合，即断好的句子集合
     * @param algorithm 相似度算法
     **/
    public static int getSimSentenceCnt(List<Sentence> sentencesA, List<Sentence> sentencesB, SimDegreeAlgorithm algorithm) {
        // 当前句子相似度
        double simDegree = 0f;
        // 相似的句子数量
        int simSentenceCnt = 0;
        // 计算相似度的策略
        SimDegreeStrategy simDegreeStrategy = new SimDegreeStrategy(algorithm);
        for (Sentence sentence1 : sentencesA) {
            // 当前句子匹配到的最大的相似度
            double maxSimDegree = 0f;
            // 记录 B 里的，与 A 中最大相似度的那个句子
            Sentence temp = null;
            for (Sentence sentence2 : sentencesB) {
                // 计算相似度
                simDegree = simDegreeStrategy.getSimDegree(sentence1.getText(), sentence2.getText());
                // 打印信息
                printSim(sentence1, sentence2, simDegree, algorithm);
                // 相似度大于60，认为文本重复
                if (simDegree * 100 > 60) {
                    sentence1.setDuplicatesState(1);
                    // 记录该句子在 B 中的位置
                    sentence1.getDuplicatesIndex().add(sentencesB.indexOf(sentence2));
                }
                // 记录最大的相似度
                if (simDegree * 100 > maxSimDegree) {
                    maxSimDegree = simDegree * 100;
                    temp = sentence2;
                }
            }
            // 如果当前句子匹配到的最大相似度是大于60%的，那么说明该句子在 B 中至少有一个句子是相似的，即该句子是重复的
            if (maxSimDegree > 60) {
                ++simSentenceCnt;
            }
            sentence1.setSimilar(maxSimDegree);
            sentence1.setMaxSimilarSentence(temp);
        }
        return simSentenceCnt;
    }

完整代码

public class AnalysisUtil {

    /**
     * 计算出与项目库内容重复的句子在当前内容下所占的比例
     * @param sentencesA 待查重的句子集合
     * @param sentencesB 项目库中的项目内容句子集合
     * @param algorithm 相似度算法
     * @return java.math.BigDecimal
     **/
    public static BigDecimal getAnalysisResult(List<Sentence> sentencesA, List<Sentence> sentencesB, SimDegreeAlgorithm algorithm) {
        int simSentenceCnt = getSimSentenceCnt(sentencesA, sentencesB, algorithm);
        BigDecimal analysisResult = null;
        if (CollectionUtil.isNotEmpty(sentencesA)) {
            analysisResult = BigDecimal.valueOf((double) simSentenceCnt / sentencesA.size()).setScale(4, BigDecimal.ROUND_HALF_UP);
        } else {
            analysisResult = new BigDecimal(0);
        }
        return analysisResult;
    }

    /**
     * 根据相似度算法，分析句子集合，返回 A 在 B 中的相似句子数量，同时记录相似句子的相似度及其所在位置（在进行处理的过程中，通过对 A 中数据进行相关操作实现）。
     * @param sentencesA 原始文本集合，即断好的句子集合
     * @param sentencesB 模式文本集合，即断好的句子集合
     * @param algorithm 相似度算法
     * @return int
     **/
    public static int getSimSentenceCnt(List<Sentence> sentencesA, List<Sentence> sentencesB, SimDegreeAlgorithm algorithm) {
        // 当前句子相似度
        double simDegree = 0f;
        // 相似的句子数量
        int simSentenceCnt = 0;
        // 计算相似度的策略
        SimDegreeStrategy simDegreeStrategy = new SimDegreeStrategy(algorithm);
        for (Sentence sentence1 : sentencesA) {
            // 当前句子匹配到的最大的相似度
            double maxSimDegree = 0f;
            // 记录 B 里的，与 A 中最大相似度的那个句子
            Sentence temp = null;
            for (Sentence sentence2 : sentencesB) {
                // 计算相似度
                simDegree = simDegreeStrategy.getSimDegree(sentence1.getText(), sentence2.getText());
                // 打印信息
                printSim(sentence1, sentence2, simDegree, algorithm);
                // 相似度大于60，认为文本重复
                if (simDegree * 100 > 60) {
                    sentence1.setDuplicatesState(1);
                    // 记录该句子在 B 中的位置
                    sentence1.getDuplicatesIndex().add(sentencesB.indexOf(sentence2));
                }
                // 记录最大的相似度
                if (simDegree * 100 > maxSimDegree) {
                    maxSimDegree = simDegree * 100;
                    temp = sentence2;
                }
            }
            // 如果当前句子匹配到的最大相似度是大于60的，那么说明该句子在 B 中至少有一个句子是相似的，即该句子是重复的
            if (maxSimDegree > 60) {
                ++simSentenceCnt;
            }
            // 记录句子的相似度以及与哪条相似
            sentence1.setSimilar(maxSimDegree);
            sentence1.setMaxSimilarSentence(temp);
        }
        return simSentenceCnt;
    }
    
    private static void printSim(Sentence sentence1, Sentence sentence2, double simDegree, SimDegreeAlgorithm algorithm) {
        BigDecimal bigDecimal = new BigDecimal(simDegree);
        DecimalFormat decimalFormat = new DecimalFormat("0.00%");
        String format = decimalFormat.format(bigDecimal);
        System.out.println("----------------------------------------------------------------");
        System.out.println(algorithm.getClass().getSimpleName());
        System.out.println("句子1：" + sentence1.getText());
        System.out.println("句子2：" + sentence2.getText());
        System.out.println("相似度：" + format);
    }
}

测试

测试两个句子。

public static void testLogic() {
    String content = "你笑起来真好看，像春天的花一样！";
    String t = "你赞起来真好看，像夏天的阳光！";
    List<Sentence> sentencesA = SentenceUtil.breakSentence(content);
    List<Sentence> sentencesB = SentenceUtil.breakSentence(t);
    BigDecimal analysisResult = AnalysisUtil.getAnalysisResult(sentencesA, sentencesB, new CosSim());
    System.out.println("重复率：" + analysisResult);
}

输出结果：

句子1：你笑起来真好看，像春天的花一样！
句子2：你赞起来真好看，像夏天的阳光！
相似度：55.56%
重复率：0.0000

public static void testLogic() {
    String content = "你笑起来真好看，像春天的花一样！";
    String t = "你笑起来真好看，像夏天的花一样！";
    List<Sentence> sentencesA = SentenceUtil.breakSentence(content);
    List<Sentence> sentencesB = SentenceUtil.breakSentence(t);
    BigDecimal analysisResult = AnalysisUtil.getAnalysisResult(sentencesA, sentencesB, new CosSim());
    System.out.println("相似度：" + analysisResult);
}

输出结果：

句子1：你笑起来真好看，像春天的花一样！
句子2：你笑起来真好看，像夏天的花一样！
相似度：88.89%
重复率：1.0000

总结

思路：将输入的论文内容与论文数据库中存在的论文内容进行一一对比。

思考：

  • 如何对比？是一句一句进行对比，还是一段一段的进行对比？
  • 对比的时候，如何才能说明对比的内容是重复的？也就是说判断重复的标准是什么？

查重的基本思路就是，把待查重的内容进行短句，然后一条一条句子与数据库中的进行对比，计算相似度。当然，这里的实现是比较简单粗暴的，两层 for 循环，外层遍历带查重的句子，内层遍历对比的句子，时间复杂度为 $O(n^2)$ 。

进一步的想法，就是使用多线程，这个后续再更新吧。

目前还没想到还能如何进一步优化。如果屏幕前的你有什么宝贵的建议或者想法，非常欢迎留下你的评论~~~

posted @ 2022-10-23 13:06  DotNet菜园  阅读(1207)  评论(0)  编辑  收藏  举报