《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 一種結(jié)合TF-IDF和Simhash的科技項(xiàng)目文本相似性度量方法
一種結(jié)合TF-IDF和Simhash的科技項(xiàng)目文本相似性度量方法
電子技術(shù)應(yīng)用
孫北寧1,2,呂維新3,曾俊4,肖衡4
(1.云南電網(wǎng)有限責(zé)任公司 科數(shù)部,云南 昆明 650011;2.西南林業(yè)大學(xué) 大數(shù)據(jù)與智能工程學(xué)院,云南 昆明 650224; 3.云南電網(wǎng)有限責(zé)任公司 昆明供電局,云南 昆明 650011;4.云南云電同方科技有限公司,云南 昆明 650214)
摘要: 為了提高科技項(xiàng)目文本相似性度量的準(zhǔn)確性和性能,將TF-IDF和Simhash相結(jié)合,提出了一種新的科技項(xiàng)目文本相似性度量方法。首先,該方法對(duì)科技項(xiàng)目文本進(jìn)行預(yù)處理得到詞項(xiàng)集合,再使用TF-IDF計(jì)算詞項(xiàng)集合中每個(gè)詞項(xiàng)的權(quán)重值,并選取具有較高權(quán)重值的重要詞項(xiàng);其次,使用Simhash把重要詞項(xiàng)映射為固定長(zhǎng)度的二進(jìn)制串,并求和得到文本的Simhash簽名;最后,使用漢明距離計(jì)算兩個(gè)Simhash簽名間的相似性。實(shí)驗(yàn)結(jié)果表明,所提方法在查準(zhǔn)率、召回率和F度量值方面優(yōu)于傳統(tǒng)的Simhash算法和TF-IDF方法。
中圖分類號(hào):TP311
文獻(xiàn)標(biāo)志碼:A
DOI: 10.16157/j.issn.0258-7998.223379
中文引用格式: 孫北寧,呂維新,曾俊,等. 一種結(jié)合TF-IDF和Simhash的科技項(xiàng)目文本相似性度量方法[J]. 電子技術(shù)應(yīng)用,2023,49(6):89-93.
英文引用格式: Sun Beining,Lv Weixin,Zeng Jun,et al. An approach for text similarity measurement of science and technology projects combing TF-IDF and Simhash[J]. Application of Electronic Technique,2023,49(6):89-93.
An approach for text similarity measurement of science and technology projects combing TF-IDF and Simhash
Sun Beining1,2,Lv Weixin3,Zeng Jun4,Xiao Heng4
(1.Department of Science Technology and Data, Yunnan Power Grid Co., Ltd., Kunming 650011, China; 2.School of Big Data and Intelligent Engineering, Southwest Forestry University, Kunming 650224, China; 3.Kunming Power Supply Bureau, Yunnan Power Grid Co., Ltd., Kunming 650011, China; 4.Yunnan Yundian Tongfang Technology Co., Ltd., Kunming 650214, China)
Abstract: To enhance the accuracy and performance of text similarity measurement of science and technology projects, this paper proposes a new approach for measuring text similarity of science and technology projects by combining TF-IDF and Simhash. Firstly, this method uses natural language processing technology to preprocess science and technology project texts to get a term set, then uses the TF-IDF method to calculate the TF-IDF value of each term in the term set, and selects the important term with higher TF-IDF value. Secondly, this method uses the Simhash algorithm to get the Simhash signature of the text through mapping the selected important terms into fixed binary strings. Finally, Hamming distance is used to calculate the similarity between two Simhash signatures. Experimental results show that compared to the traditional Simhash and TF-IDF, the proposed method can promote the evaluation metrics of precision, recall and F-measure.
Key words : science and technology project text;text similarity;TF-IDF;Simhash

0 引言

隨著國(guó)家對(duì)科技事業(yè)經(jīng)費(fèi)的大量投入,少數(shù)科研單位或個(gè)人為了獲取更多的科研經(jīng)費(fèi),出現(xiàn)了重復(fù)申報(bào)的現(xiàn)象。文本相似性度量被認(rèn)為是檢測(cè)文本重復(fù)的最好方法之一,可以用來自動(dòng)檢測(cè)科技項(xiàng)目文本的相似性和重復(fù)性。

TF-IDF是一種經(jīng)典的文本相似性度量方法,將文本視為詞項(xiàng)的集合,并通過詞頻信息將文本表示為一個(gè)向量,以此計(jì)算文本的相似性。但是,該方法并沒有降低文本模型的維度。對(duì)于科技項(xiàng)目文本,由于詞項(xiàng)數(shù)目巨大,因此,基于詞頻向量模型的文本表示是高維、稀疏的,這將導(dǎo)致低效的計(jì)算性能。

Simhash是一種局部敏感哈希方法,將高維數(shù)據(jù)降維到具有固定長(zhǎng)度的二進(jìn)制串(Simhash簽名),再通過對(duì)二進(jìn)制串進(jìn)行相似性計(jì)算來比較文本的相似度。這種方法在高維數(shù)據(jù)空間具有優(yōu)異的計(jì)算性能。但是,該方法未考慮科技項(xiàng)目文本中詞項(xiàng)的重要性,存在準(zhǔn)確率不高的問題。



本文詳細(xì)內(nèi)容請(qǐng)下載:http://ihrv.cn/resource/share/2000005355




作者信息:

孫北寧1,2,呂維新3,曾俊4,肖衡4

(1.云南電網(wǎng)有限責(zé)任公司 科數(shù)部,云南 昆明 650011;2.西南林業(yè)大學(xué) 大數(shù)據(jù)與智能工程學(xué)院,云南 昆明 650224;
3.云南電網(wǎng)有限責(zé)任公司 昆明供電局,云南 昆明 650011;4.云南云電同方科技有限公司,云南 昆明 650214)


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。