智能语言处理之依存树计算句子结构相似度计算

在此郑重声明，算法已经发表论文，程序已经申请软件著作权，如果需要在论文或者商业算法中使用请邮件至 maillmq@126.com或私信，征得同意后方可使用。

本文仅仅作为讨论研究之用。

前文已经谈起过，句子结构相似度的计算目前大多数还是采取，句子句长，句子词序，正弦等方法进行计算，这种方法显然比较原始。另一个研究领域在西方比较流行，就是对句式进行研究，从而确定句子结构相似度。注意，是句子结构相似度，并不考虑句子本身的含义。比如 我是张三 和 你是张三，句子结构相似度接近百分百，句意相似度接近零。

那么肯定有人会问，这东西完全没有价值啊，句子就是用来表达含义的为什么要计算结构呢？实际上网上太多人都把这两者混为一谈了，导致太多人误认为他们就是一回事儿。其实不是的，句子的句义相似度的计算过程中就涉及到句子结构相似度，或者换一种说法，句子结构分析是句义相似度计算的基石。举个最简单的例子，这是一匹马 和 这不是一匹马。这两句如果单纯划分词然后二分法计算的话，效果并不好，因为仅有“是”和"不是"这一对词导致差异，句子越长算出来的结果越偏离准确值“0”，如果进行句子结构分析的话，那么 “是”这个词就是谓语是这个句子依存分析的根，“不”就是对它的修饰，这个修饰与根之间的距离非常近，因此对句子的影响非常大，句子越长，越接近准确值“0”,这个简单的句子我们就可以看出来，句子结构分析是重要的一步。看到这里有些读者肯定会拿出很多程序来做实验，然后说他们算出来的句义差距就是很大，其实那都是已经成熟的程序了，对这些都有处理，我在这里说的并不是应用的层面，而是最底层的技术。

看过前文的童鞋应该还有印象，句子依存树分析出来之后有一个根，我们的计算就从根开始，最简单的思路我们可以简单描述出来了，那就是比较两棵树的相似度，不考虑依存关系的重要程度，最最简单的思路就是，树的每一级的数量和另一棵树这一级的数量进行对比，然后