首页 > 代码库 > 一个有意思的需求——中文匹配度
一个有意思的需求——中文匹配度
引言
最近LZ带头在做一个互联网项目，互联网的东西总是那么新鲜，这也难怪大部分猿友都喜欢互联网。这个互联网项目不仅让LZ开发了一个HBase大数据应用，近期的一次需求讨论会上，又出来一个小需求，蛮有意思的。这些需求在之前枯燥的企业内部应用开发中，还是很难见到的，毕竟内部应用更多的是业务流程的体现。
具体的需求这里不方便透露，但简单的描述一下需求，就是如何判断两个公司名是一个。这其实就是Java当中字符串的相等判断，最简单的当然是用equals来判断。但是由于实际情况是，公司名是由客户手动输出的，难免有小小的偏差，因此equals自然就不适用了。比如“博客园科技发展有限公司”和“博客园科技发展（北京）有限公司”，这两个显然应该是一个公司，但是如果用equals，自然结果会是false。
方案提出
会议上，LZ简单提出了一个解决方案，就是利用分词来计算两者的匹配度，如果匹配度达到一定数值，我们就认为两个字符串是相等的。不过不论算法如何高明，准确率都不可能达到100%，这点也是LZ一再给业务同事强调的，否则到时候匹配错了，他们找LZ的茬可咋办。不过好在业务同事只是希望有一个提示功能，并不做严格的判断标准，所以系统需要做的只是初步的判断，因此准确率要求并不是特别的高，只能说越高越好。
由于这个项目是LZ以PM介入开发的，而且LZ一直都兼任SM，所以技术方案自然是LZ说了算了。没有讨论，没有异议，方案就这么在会议上定了。
小研究
由于LZ最近负责的事情比较多，所以上班的时候自然是没有时间研究这些东西，只能趁着周末小小研究一下。其实LZ对于分词并不是特别了解，这些东西与算法的关联度比较高，而LZ的算法基础只能说“呵呵”。不过不管怎样，作为一个项目的领头人，总得向前冲。如果到时候算法的时间、空间成本太高，或者准确率太低，等着后续寻找大神优化也不晚。
这件事的思路比较清晰，LZ需要做的就是两件事，第一件事就是“分词”，第二件事就是“匹配”。
分词
分词是比较简单的一步，有很多现成的类库可以使用，只要选择一个使用就可以了。Lucene是LZ第一个想到的，毕竟LZ也算是Apache的脑残粉，因此话不多说，第一时间就下载Lucene，开始了探究之旅。
以下是LZ在网络上找到的示例，稍微进行了一点修改。
package com.creditease.borrow.lucene;import java.io.IOException;import org.apache.lucene.analysis.TokenStream;import org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer;import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;import org.apache.lucene.util.Version;public class App { public static void main( String[] args ) throws IOException { String text = "博客园科技发展（北京）有限公司"; SmartChineseAnalyzer smartChineseAnalyzer = new SmartChineseAnalyzer(Version.LUCENE_47); TokenStream tokenStream = smartChineseAnalyzer.tokenStream("field", text); CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); tokenStream.reset(); while (tokenStream.incrementToken()) { System.out.print(charTermAttribute.toString() + " "); } tokenStream.end(); tokenStream.close(); smartChineseAnalyzer.close(); } }输出结果为以下内容。
博 客 园 科技 发展 北京 有限公司 这种分词结果勉强可以接受了，最理想的应该是将“博客”放在一起，不过看来Lucene的字典里没有这个词。没关系，这对我们的计划并不影响，我们接下来开始着手匹配的事。
匹配
有了分词，我们要做的，就是匹配两个字符串数组，并得到一个匹配度。既然是匹配度，那么肯定就有分母和分子。我们可以挑其中一个数组的长度为分母，以另外一个数组中的元素找到匹配分词的个数作为分子。为了减少程序的复杂度，我们采用Set集合的去重特点来进行计算。就像以下程序这样。
package com.creditease.borrow.lucene;import java.io.IOException;import java.util.HashSet;import java.util.Set;import org.apache.lucene.analysis.TokenStream;import org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer;import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;import org.apache.lucene.util.Version;public class App { private static SmartChineseAnalyzer smartChineseAnalyzer = new SmartChineseAnalyzer(Version.LUCENE_47); public static void main( String[] args ) throws IOException { String text1 = "博客园科技发展（北京）有限公司"; String text2 = "博客园科技发展有限公司"; System.out.println(oneWayMatch(text1, text2)); } public static double oneWayMatch(String text1,String text2) { try { Set<String> set = new HashSet<String>(10); TokenStream tokenStream = smartChineseAnalyzer.tokenStream("field", text1); CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); tokenStream.reset(); while (tokenStream.incrementToken()) { set.add(charTermAttribute.toString()); } int denominator = set.size(); tokenStream.end(); tokenStream.close(); tokenStream = smartChineseAnalyzer.tokenStream("field", text2); charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); tokenStream.reset(); while (tokenStream.incrementToken()) { set.add(charTermAttribute.toString()); } int numerator = set.size() - denominator; double unmatchRate = ((double)numerator)/denominator; tokenStream.end(); tokenStream.close(); return unmatchRate; } catch (IOException e) { return 1D; } } }输出的结果为0，也就是说匹配度为100%。这显然是不对的，两个字符串很明显不是一模一样，得到匹配度为100%说明我们的算法还是有问题。
仔细分析一下，问题就出在我们是拿text2中不匹配的分词作为分子，而text2中的分词在text1中全部都包含，因此分子最终会是0，那么不匹配度自然就是0（unmatchRate）。为了弥补这一缺陷，LZ想来想去最终还是决定采取“双向”（twoWay）的办法解决这个问题，可以看到LZ给上面那个方法取的名字为“单向”匹配（oneWay）。
双向匹配其实就是将两者顺序颠倒，再进行一次匹配而已，因此我们的程序可以简单的更改为以下形式。
package com.creditease.borrow.lucene;import java.io.IOException;import java.util.HashSet;import java.util.Set;import org.apache.lucene.analysis.TokenStream;import org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer;import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;import org.apache.lucene.util.Version;public class App { private static SmartChineseAnalyzer smartChineseAnalyzer = new SmartChineseAnalyzer(Version.LUCENE_47); public static void main( String[] args ) throws IOException { String text1 = "博客园科技发展（北京）有限公司"; String text2 = "博客园科技发展有限公司"; System.out.println(twoWayMatch(text1, text2)); } public static double twoWayMatch(String text1,String text2) { return (oneWayMatch(text1, text2) + oneWayMatch(text2, text1)); } public static double oneWayMatch(String text1,String text2) { try { Set<String> set = new HashSet<String>(10); TokenStream tokenStream = smartChineseAnalyzer.tokenStream("field", text1); CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); tokenStream.reset(); while (tokenStream.incrementToken()) { set.add(charTermAttribute.toString()); } int denominator = set.size(); tokenStream.end(); tokenStream.close(); tokenStream = smartChineseAnalyzer.tokenStream("field", text2); charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); tokenStream.reset(); while (tokenStream.incrementToken()) { set.add(charTermAttribute.toString()); } int numerator = set.size() - denominator; double unmatchRate = ((double)numerator)/denominator; tokenStream.end(); tokenStream.close(); return unmatchRate; } catch (IOException e) { return 1D; } } }该程序的输出结果为0.1666666666...，也就是0.17，也就是说两者的匹配度为83%。这个值显然更加接近实际的情况。可以看到，双向匹配以单向匹配为基础，将顺序颠倒的结果相加，就能得到不匹配度。
事情原本到此就可以结束了，但是还有一个更大的难点没有处理。那就是匹配度到底设置为多少合适。这个问题到目前为止，LZ还没有更好的办法。按照上面的小例子来讲，自然是设为80%就可以。
但是看下下面这个例子，就会发现这个数值很不正确，或者说匹配算法还是有问题。
public static void main( String[] args ) throws IOException { String text1 = "博客园科技发展（北京）有限公司"; String text2 = "博客园有限公司"; System.out.println(twoWayMatch(text1, text2)); }运行的结果为0.75，也就是说匹配度大约只有25%。但是很明显，上面两个公司实际上匹配度是很高的，因为最重要的三个字是匹配的。
再仔细分析一下，问题就变成权重了。也就是说，每个词的权重应该是不一样的，这样的话，匹配的准确度可能会更高一点。我们稍微改善一下程序。（以下统一使用后面加双斜线的方式表示程序主要改变的地方）
package com.creditease.borrow.lucene;import java.io.IOException;import java.util.Arrays;import java.util.HashSet;import java.util.List;import java.util.Set;import org.apache.lucene.analysis.TokenStream;import org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer;import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;import org.apache.lucene.util.Version;public class App { private static SmartChineseAnalyzer smartChineseAnalyzer = new SmartChineseAnalyzer(Version.LUCENE_47); private static List<String> smallWeightWords = Arrays.asList("公司","有限公司","科技","发展","股份"); private static double smallWeight = 0.3D; public static void main( String[] args ) throws IOException { String text1 = "博客园科技发展（北京）有限公司"; String text2 = "博客园有限公司"; System.out.println(twoWayMatch(text1, text2)); } public static double twoWayMatch(String text1,String text2) { return (oneWayMatch(text1, text2) + oneWayMatch(text2, text1)); } public static double oneWayMatch(String text1,String text2) { try { Set<String> set = new HashSet<String>(10); TokenStream tokenStream = smartChineseAnalyzer.tokenStream("field", text1); CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); tokenStream.reset(); while (tokenStream.incrementToken()) { set.add(charTermAttribute.toString()); } int denominator = set.size(); tokenStream.end(); tokenStream.close(); tokenStream = smartChineseAnalyzer.tokenStream("field", text2); charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); tokenStream.reset(); int smallWeightWordsCount = 0;// while (tokenStream.incrementToken()) { String word = charTermAttribute.toString();// int tempSize = set.size();// set.add(word);// if (tempSize + 1 == set.size() && smallWeightWords.contains(word)) {// smallWeightWordsCount++;// }// } int numerator = set.size() - denominator; double unmatchRate = (smallWeightWordsCount * smallWeight + numerator - ((double)smallWeightWordsCount))/denominator;// tokenStream.end(); tokenStream.close(); return unmatchRate; } catch (IOException e) { return 1D; } } }现在程序的输出结果为0.4，匹配度为60%。从结果来看，依然有点不尽人意。仔细分析一下程序，会发现，我们计算不匹配度的时候，是交叉计算的。也就是说，我们使用一个数组中不匹配的数目去除以另外一个数组的大小，这可能会造成“极端”数值。
我们需要调整程序，让数组自己与自己计算，这样就不会出现那种情况。如下。
package com.creditease.borrow.lucene;import java.io.IOException;import java.util.Arrays;import java.util.HashSet;import java.util.List;import java.util.Set;import org.apache.lucene.analysis.TokenStream;import org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer;import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;import org.apache.lucene.util.Version;public class App { private static SmartChineseAnalyzer smartChineseAnalyzer = new SmartChineseAnalyzer(Version.LUCENE_47); private static List<String> smallWeightWords = Arrays.asList("公司","有限公司","科技","发展","股份"); private static double smallWeight = 0.3D; public static void main( String[] args ) throws IOException { String text1 = "博客园科技发展（北京）有限公司"; String text2 = "博客园有限公司"; System.out.println(twoWayMatch(text1, text2)); } public static double twoWayMatch(String text1,String text2) { return (oneWayMatch(text1, text2) + oneWayMatch(text2, text1)); } public static double oneWayMatch(String text1,String text2) { try { Set<String> set = new HashSet<String>(10); TokenStream tokenStream = smartChineseAnalyzer.tokenStream("field", text1); CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); tokenStream.reset(); while (tokenStream.incrementToken()) { set.add(charTermAttribute.toString()); } int originalCount = set.size();// tokenStream.end(); tokenStream.close(); tokenStream = smartChineseAnalyzer.tokenStream("field", text2); charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); tokenStream.reset(); int smallWeightWordsCount = 0; int denominator = 0;// while (tokenStream.incrementToken()) { denominator++;// String word = charTermAttribute.toString(); int tempSize = set.size(); set.add(word); if (tempSize + 1 == set.size() && smallWeightWords.contains(word)) { smallWeightWordsCount++; } } int numerator = set.size() - originalCount; double unmatchRate = (smallWeightWordsCount * smallWeight + numerator - ((double)smallWeightWordsCount))/denominator;// tokenStream.end(); tokenStream.close(); return unmatchRate; } catch (IOException e) { return 1D; } } }程序的输出结果为0.2285714285714286，也就是匹配度大约为77%，这个数值还是比较科学的。这次我们主要调整了分母，将分母调整为不匹配元素自己的数组大小。
现在我们需要做的就很简单了，就是把有可能改变的地方都在程序当中做成可配置的，比如从数据库读取。需要做成可配置项的内容有以下几个。
1、低权重的词语，也就是smallWeightWords。
2、低权重的数值，也就是smallWeight。
3、匹配度的最小值，也就是说匹配度大于等于多少的时候，我们就认为是一个公司。
具体如何做成可配置项，这里LZ就不再赘述了，真实的web项目当中有无数种办法可以达到这个目的，最常用的当然是存储到数据库。但第一项更适合放入数据库，后面两项更适合存放在配置文件当中。无论放在哪里，这些配置都要支持动态刷新，这样应用在运行的时候就可以动态调整判断规则了。
小结
LZ的算法不一定是最好的，或者说一定不是最好的。但是有时候慢慢解决一个问题，让答案逐渐靠近自己的判断也是一种乐趣不是吗？