用于两个之间语义相似性/相关性的 Java API "WORDS"

Question

我需要找出两个输入单词之间的语义相似性/相关性。以下单词在现实世界中相似或相关:-

- genuineness, genuine, genuinely, valid, reality, fact, really   
- painter, painting, paint

以下是我从 here 中截取的代码片段

    ILexicalDatabase db = new NictWordNet();
    RelatednessCalculator lin = new Lin(db);
    RelatednessCalculator wup = new WuPalmer(db);
    RelatednessCalculator path = new Path(db);

        String w1 = "truth";
        String w2 = "genuine";
        System.out.println(lin.calcRelatednessOfWords(w1, w2));
        System.out.println(wup.calcRelatednessOfWords(w1, w2));
        System.out.println(path.calcRelatednessOfWords(w1, w2));

我在 eclipse 3.4 中使用 WS4J Api (ws4j1.0.1.jar) 和 java 1.7。我得到的结果毫无意义，或者可能是我的看法是错误的。

如果我的方法是错误的，请告诉我，如果我想计算单词之间的相似度，那么我应该使用什么其他API。

Answer 1

您配置的数据集中似乎没有找到这些单词，因此它只是返回 0.0 分数:例如，以下无意义单词也会导致 0.0 分数:

ILexicalDatabase db = new NictWordNet();
RelatednessCalculator lin = new Lin(db);
RelatednessCalculator wup = new WuPalmer(db);
RelatednessCalculator path = new Path(db);

String w1 = "iamatotallycompletelyfakewordwithagermanwordinsidevergnügen";
String w2 = "iamevenmorefakeandstrangerossiskajafoderatsija";
System.out.println(lin.calcRelatednessOfWords(w1, w2));
System.out.println(wup.calcRelatednessOfWords(w1, w2));
System.out.println(path.calcRelatednessOfWords(w1, w2));

不幸的是，我无法判断您的配置是什么样的，并且您提供的链接似乎不起作用(至少不再起作用)。但是，ws4j 1.0.1 的 JAR 位于 Google Code包括其自己的信息内容文件(名为ic-semcor.dat)，该文件在文件similarity.conf中配置:

# ----------------------------------------------------------------------
# The following option is supported by :
#               res, lin, jcn

infocontent = ic-semcor.dat

            # Specifies the name of an information content file under 
            # data/. The value of this option must be the name of a 
            # file, or a relative or absolute path name. The default 
            # value of this option ic-semcor.dat.

使用此设置，对于您在表格中列出的单词，我会得到相同的结果。因此，您应该更多地了解不同指标的各个 RelatednessCalculator 实现的配置。