php文章相似度计算similar_text()函数升级

有时我们希望调用相关文章时肯定调用相似度高的我先是使用了php的similar_text()函数,但是测试两个相同的标题得出结果只有40%左右啊,下面看实例.

php默认有个函数similar_text()用于计算字符串之间的相似度,该函数也可以计算两个字符串的相似度(以百分比计),不过这个函数感觉对中文计算很不准确比如:

echo similar_text("吉林禽业公司火灾已致112人遇难","吉林宝源丰禽业公司火灾已致112人遇难"); 

这两个新闻标题其实都是一样的,如果使用similar_text()相似对结果为:42,即只相似42%,所以这个感觉很不靠谱,今天刚好收集到一段PHP代码也是用于比较两个字符串的相似度,直接贴出代码:

1. <?php  
2. class LCS { 
3.     var $str1; 
4.     var $str2; 
5.     var $c = array(); 
6.     /*返回串一和串二的最长公共子序列 
7. */ 
8.     function getLCS($str1, $str2, $len1 = 0, $len2 = 0) { 
9.         $this->str1 = $str1; 
10.         $this->str2 = $str2; 
11.         if ($len1 == 0) $len1 = strlen($str1); 
12.         if ($len2 == 0) $len2 = strlen($str2); 
13.         $this->initC($len1, $len2); 
14.         return $this->printLCS($this->c, $len1 - 1, $len2 - 1); 
15.     } 
16.     /*返回两个串的相似度 
17. */ 
18.     function getSimilar($str1, $str2) { 
19.         $len1 = strlen($str1); 
20.         $len2 = strlen($str2); 
21.         $len = strlen($this->getLCS($str1, $str2, $len1, $len2)); 
22.         return $len * 2 / ($len1 + $len2); 
23.     } 
24.     function initC($len1, $len2) { 
25.         for ($i = 0; $i < $len1; $i++) $this->c[$i][0] = 0; 
26.         for ($j = 0; $j < $len2; $j++) $this->c[0][$j] = 0; 
27.         for ($i = 1; $i < $len1; $i++) { 
28.             for ($j = 1; $j < $len2; $j++) { 
29.                 if ($this->str1[$i] == $this->str2[$j]) { 
30.                     $this->c[$i][$j] = $this->c[$i - 1][$j - 1] + 1; 
31.                 } else if ($this->c[$i - 1][$j] >= $this->c[$i][$j - 1]) { 
32.                     $this->c[$i][$j] = $this->c[$i - 1][$j]; 
33.                 } else { 
34.                     $this->c[$i][$j] = $this->c[$i][$j - 1]; 
35.                 } 
36.             } 
37.         } 
38.     } 
39.     function printLCS($c, $i, $j) { 
40.         if ($i == 0 || $j == 0) { 
41.             if ($this->str1[$i] == $this->str2[$j]) return $this->str2[$j]; 
42.             else return ""; 
43.         } 
44.         if ($this->str1[$i] == $this->str2[$j]) { 
45.             return $this->printLCS($this->c, $i - 1, $j - 1).$this->str2[$j]; 
46.         } else if ($this->c[$i - 1][$j] >= $this->c[$i][$j - 1]) { 
47.             return $this->printLCS($this->c, $i - 1, $j); 
48.         } else { 
49.             return $this->printLCS($this->c, $i, $j - 1); 
50.         } 
51.     } 
52. } 
53.  
54. $lcs = new LCS(); 
55. //返回最长公共子序列 
56. $lcs->getLCS("hello word","hello china"); 
57. //返回相似度 
58. echo $lcs->getSimilar("吉林禽业公司火灾已致112人遇难","吉林宝源丰禽业公司火灾已致112人遇难"); 

同样输出结果为:0.90322580645161,明显准确的多,还有一种办法就是利用分词系统我们把标题分词,然后再进行会更准确一些.