用于java ws4j库的文档

Question

我正在用Java写一个关于抄袭检测的项目，在这种情况下，第一步我需要做以下任务:

输入文件(txt， .pdf， .doc)

将文件内容转换为文本

将停止词标记为n-gram

处理文本

上的文本相似度算法

报告抄袭检测标志

我通过自己编码完成了这些步骤，但现在我觉得它缺乏很多性能，所以我开始使用可用的API来工作。有谁使用过ws4j库吗?有相关的文档或帮助吗?我不能重复使用它。这正是我想要的，看看演示

Answer 1

除了你可以在网站上看到的，我没有找到任何文档。我建议您从查看代码开始(使用SVN或git检查它)。请注意，您需要二进制发行版，因为源代码不完整。

这个简单的教程适用于大多数情况。您可能已经在源代码中找到了它:

double s = rc.calcRelatednessOfWords("jump", "stand");

如果你想比较特定的synsets，你必须先创建一个Concept。最常见的"jump"的例子:

String word = "jump";
List<Synset> synsets = WordNetUtil.wordToSynsets(word, POS.v);
Synset mysynset = synsets.get(0);       
Concept co = new Concept(mysynset.getSynset(), POS.v, mysynset.getName(), mysynset.getSrc());

库实际上不像在线演示那样工作。为了使用典型的语法集表示法，我使用了自己的实用程序方法。所以比较特定的同义词集看起来像这样:

Concept stand = new Concept(getSynset("stand#v#1"), POS.v);
Concept jump = new Concept(getSynset("jump#v#1"), POS.v);
double score = compare(comparer, co, stand);
// done!    
// utility
private static double compare(RelatednessCalculator comparer, Concept one,
        Concept other) throws Exception {
    Relatedness res = comparer.calcRelatednessOfSynset(one, other);
    if(StringUtils.isNotBlank(res.getError()))
    {
        throw new Exception ("WordNET similiarity for " + one + " and " + other + " failed with this error: "+ res.getError() + "n" + res.getTrace());
    }
    return res.getScore();
}
/**
 * 
 * @param wordnetword a string of the format lemma#pos#num. E.g. jump#v#1 or house#n#2
 * @return a synset identifier for WS4J
 */
private static Concept getSynset(String wordnetword) {
    String[] parts = StringUtils.split(wordnetword, "#");
    String lemma = parts[0];
    POS mypos = POS.valueOf(parts[1]);
    int index = Integer.parseInt(parts[2]) - 1;
    List<Synset> synsets = WordNetUtil.wordToSynsets(lemma, mypos);
    Synset synset = synsets.get(index);
    String synstring = synset.getSynset();
    return new Concept(synstring, mypos, lemma, synset.getSrc());
}