国内对于文本的相似度计算，开源的工具是比较丰富的。

【资料图】

但是对于两个汉字之间的相似度计算，国内基本一片空白。国内的参考的资料少的可怜，国外相关文档也是如此。

本项目旨在抛砖引玉，实现一个基本的相似度计算工具，为汉字 NLP 贡献一点绵薄之力。

推荐阅读：

NLP 中文形近字相似度计算思路

中文形近字相似度算法实现，为汉字 NLP 尽一点绵薄之力

当代中国最贵的汉字是什么？

NLP 开源形近字算法补完计划（完结篇）

NLP 开源形近字算法之形近字列表（番外篇）

开源项目在线化 中文繁简体转换/敏感词/拼音/分词/汉字相似度/markdown 目录

有时候我们并不是需要返回两个字的相似，而是需要返回一个汉字的相似列表。

我们可以分别计算所有的汉字之间的相似度，然后保留最大的前100个，放在字典中。

然后实时查询这个字典即可。

bihuashu_2w.txt中我们主要需要的是对应的 2W 常见汉字。

hanzi_similar_list.txt用来存放汉字和相似字的映射关系。

public static void main(String[] args) {    final String path = "D:\\code\\coin\\nlp-hanzi-similar\\src\\main\\resources\\hanzi_similar_list.txt";    // 读取列表    List lines = FileUtil.readAllLines("D:\\code\\coin\\nlp-hanzi-similar\\src\\main\\resources\\nlp\\bihuashu_2w.txt");    // 所有的单词    Set allWordSet = new HashSet<>();    for(String line : lines) {        String word = line.split(" ")[0];        allWordSet.add(word);    }    // 循环对比    for(String word : allWordSet) {        List list = getSimilarListData(word, allWordSet);        String line = word +" " + StringUtil.join(list, "");        FileUtil.append(path, line);    }}

我们通过优先级队列存储：

private static List getSimilarListData(String word, Set wordSet) {    PriorityQueue items = new PriorityQueue<>(new Comparator() {        @Override        public int compare(SimilarListDataItem o1, SimilarListDataItem o2) {            // 相似度大的放在前面            return -o1.getRate().compareTo(o2.getRate());        }    });    for(String other : wordSet) {        if(word.equals(other)) {            continue;        }        // 对比        double rate = HanziSimilarHelper.similar(word.charAt(0), other.charAt(0));        SimilarListDataItem item = new SimilarListDataItem(other, rate);        items.add(item);    }    final int limit = 100;    List wordList = new ArrayList<>();    for(SimilarListDataItem item : items) {        wordList.add(item.getWord());        if(wordList.size() >= limit) {            break;        }    }    return wordList;}

初始化好数据之后，一切就变得非常简单：

/** * 数据接口-相似列表 * @author binbin.hou * @since 1.3.0 */public interface IHanziSimilarListData {    /**     * 返回数据信息     * @param word 单词     * @return 结果     * @since 1.3.0     */    List similarList(String word);}

public class HanziSimilarListData implements IHanziSimilarListData {    private static volatile Map> map = Guavas.newHashMap();    @Override    public List similarList(String word) {        if(MapUtil.isEmpty(map)) {            initDataMap();        }        return map.get(word);    }    private void initDataMap() {        if(MapUtil.isNotEmpty(map)) {            return;        }        //DLC        synchronized (map) {            if(MapUtil.isEmpty(map)) {                List lines = StreamUtil.readAllLines("/hanzi_similar_list.txt");                for(String line : lines) {                    String[] words = line.split(" ");                    // 后面的100个相近词                    List list = StringUtil.toCharStringList(words[1]);                    map.put(words[0], list);                }            }        }    }}

为了用户使用方便，我们在 HanziSimilarHelper中添加 2 个工具类方法：

/** * 相似的列表 * @param hanziOne 汉字一 * @param limit 大小 * @return 结果 * @since 1.3.0 */public static List similarList(char hanziOne, int limit) {    return HanziSimilarBs.newInstance().similarList(hanziOne, limit);}/** * 相似的列表 * @param hanziOne 汉字一 * @return 结果 * @since 1.3.0 */public static List similarList(char hanziOne) {    return similarList(hanziOne, 10);}

我们使用看一下效果：

我们来看一下【爱】的形近字。

List list = HanziSimilarHelper.similarList("爱");Assert.assertEquals("[爰, 爯, 受, 爭, 妥, 憂, 李, 爳, 叐, 雙]", list.toString());

为了便于大家使用学习，项目已开源。

https://github.com/houbb/nlp-hanzi-similar

一个字的形近字可以做很多有趣的事情，这个要看大家的想象力。

实现方式也不难，最核心的还是相似度的计算。

我是老马，期待与你的下次重逢。

标签：