混合相似度算法详解
本文深入探讨基于定制神经网络的混合相似度 (hybridsimilarity) 算法，该算法用于衡量两段文本间的相似性。此混合模型巧妙地融合了词汇、语音、语义和句法相似性，从而得到一个更全面的相似度评分。
<code class="python">import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.decomposition import TruncatedSVD
from sentence_transformers import SentenceTransformer
from Levenshtein import ratio as levenshtein_ratio
from phonetics import metaphone
import torch
import torch.nn as nn
class HybridSimilarity(nn.Module):
def __init__(self):
super().__init__()
self.bert = SentenceTransformer('all-MiniLM-L6-v2')
self.tfidf = TfidfVectorizer()
self.attention = nn.MultiheadAttention(embed_dim=384, num_heads=4)
self.fc = nn.Sequential(
nn.Linear(1152, 256),
nn.ReLU(),
nn.LayerNorm(256),
nn.Linear(256, 1),
nn.Sigmoid()
)
def _extract_features(self, text1, text2):
# 多维度特征提取
features = {}
# 词汇相似度
features['levenshtein'] = levenshtein_ratio(text1, text2)
features['jaccard'] = len(set(text1.split()) & set(text2.split())) / len(set(text1.split()) | set(text2.split()))
# 语音相似度
features['metaphone'] = 1.0 if metaphone(text1) == metaphone(text2) else 0.0
# 语义嵌入 (BERT)
emb1 = self.bert.encode(text1, convert_to_tensor=True)
emb2 = self.bert.encode(text2, convert_to_tensor=True)
features['semantic_cosine'] = nn.CosineSimilarity()(emb1, emb2).item()
# 句法相似度 (LSA-TFIDF)
tfidf_matrix = self.tfidf.fit_transform([text1, text2])
svd = TruncatedSVD(n_components=1)
lsa = svd.fit_transform(tfidf_matrix)
features['lsa_cosine'] = np.dot(lsa[0], lsa[1].T)[0][0]
# 注意力机制
att_output, _ = self.attention(
emb1.unsqueeze(0).unsqueeze(0),
emb2.unsqueeze(0).unsqueeze(0),
emb2.unsqueeze(0).unsqueeze(0)
)
features['attention_score'] = att_output.mean().item()
return torch.tensor(list(features.values())).unsqueeze(0)
def forward(self, text1, text2):
features = self._extract_features(text1, text2)
return self.fc(features).item()
def calculate_similarity(text1, text2):
model = HybridSimilarity()
return model(text1, text2)
</code>
核心组件
hybridsimilarity 模型整合了以下库和技术：
- SentenceTransformer: 用于生成语义嵌入的预训练Transformer模型。
- Levenshtein ratio: 计算词汇相似度。
- Metaphone: 用于语音相似性分析。
- TF-IDF 和 TruncatedSVD: 通过潜在语义分析 (LSA) 实现句法相似性。
- PyTorch: 用于构建包含注意力机制和全连接层的自定义神经网络。
步骤详解
1. 模型初始化
HybridSimilarity 类继承自 nn.Module，并初始化：
- 基于 BERT 的句子嵌入模型 (
all-MiniLM-L6-v2)。 - 用于文本向量化的 TF-IDF 向量化器。
- 多头注意力机制，用于捕捉文本对间的相互依赖关系。
- 全连接神经网络，用于聚合特征并生成最终的相似度得分。
<code class="python">self.bert = SentenceTransformer('all-MiniLM-L6-v2')
self.tfidf = TfidfVectorizer()
self.attention = nn.MultiheadAttention(embed_dim=384, num_heads=4)
self.fc = nn.Sequential(
nn.Linear(1152, 256),
nn.ReLU(),
nn.LayerNorm(256),
nn.Linear(256, 1),
nn.Sigmoid()
)</code>
2. 特征提取
_extract_features 方法计算多种相似性特征：
-
词汇相似度:
- 编辑距离 (Levenshtein ratio): 衡量将一个文本转换为另一个文本所需的字符级编辑次数。
- Jaccard 指标: 比较两个文本中唯一词集的重叠程度。
-
语音相似度:
- 元音素编码 (Metaphone): 检查两个文本的语音表示是否一致。
-
语义相似度:
- 使用 BERT 生成句子嵌入，并计算其余弦相似度。
-
句法相似度:
- 使用 TF-IDF 向量化文本，并通过 TruncatedSVD 应用潜在语义分析 (LSA)。
-
注意力机制:
- 将多头注意力机制应用于嵌入，并使用平均注意力分数作为特征。
3. 神经网络聚合
提取的特征被连接起来，并通过全连接神经网络进行处理。网络预测 0 到 1 之间的相似度分数。
4. 用法示例
calculate_similarity 函数初始化模型并计算两个输入文本间的相似度。
<code class="python">text_a = "The quick brown fox jumps over the lazy dog"
text_b = "A fast brown fox leaps over a sleepy hound"
print(f"Similarity coefficient: {calculate_similarity(text_a, text_b):.4f}")</code>
该函数调用 HybridSimilarity 模型并输出一个介于 0（完全不相似）和 1（完全相同）之间的浮点数，表示相似度得分。
总结
hybridsimilarity 算法是一种强大的方法，它将文本相似性的多个维度整合到一个统一的模型中。通过结合词汇、语音、语义和句法特征，该混合方法能够进行细致而全面的相似性分析，使其适用于重复检测、文本聚类和推荐系统等多种任务。
