PHPで2つの文章の類似度を計算する(Yahoo!版)

(1/1)
PHPで2つの文章の類似度を計算する」および「PHPで2つの文章の類似度を計算する(KAKASI版)」で、PHPの組み込み関数  similar_text  や N-gram、「KAKASI」による形態素解析を利用して、異なる2つの文章の類似度を計算する方法を紹介した。今回は、KAKASIの代わりに「PHPで形態素解析を行う」で紹介したYahoo!JAPANの「日本語形態素解析」を利用し、2つの文章の類似度を計算プログラムを作ってみる。

(2023年3月18日)日本語形態素解析v2に対応

目次

サンプル・プログラムの実行例

PHPで2つの文章の類似度を計算する(Yahoo!版)

サンプル・プログラム

圧縮ファイルの内容
SimilarMorpheme.phpサンプル・プログラム本体。
SimilarMorpheme.php 更新履歴
バージョン 更新日 内容
1.4.0 2023/03/18 日本語形態素解析v2に対応
1.3 2022/01/04 PHP8対応,リファラ・チェック改良,WebAPI更新
1.2 2017/04/08 PHP7対応
1.1 2014/08/23 大幅改訂
1.0 2009/05/02
サンプル・プログラムの流れは、「PHPで形態素解析を行う」と「PHPで2つの文章の類似度を計算する(KAKASI版)」を組み合わせただけなので、ここでは省略する。

なお、「日本語形態素解析Webサービス」を利用するためには、アプリケーションIDを取得する必要がある。入手方法は「Yahoo!JAPAN デベロッパーネットワーク - 各種WebAPIの登録方法」を参照されたい。
取得したIDは定数 YAHOO_APPLICATION_ID に格納すること。

サンプル・プログラムの実行結果

PHPで2つの文章の類似度を計算する(KAKASI版)」と同じテキストを使って実行してみよう。

まず、「元のテキスト」として、以下のWikipediaの引用文を入れる。これは「PHP: Hypertext Preprocessor」からの抜粋である。
PHP: Hypertext Preprocessor(ピー・エイチ・ピー ハイパーテキスト プリプロセッサー)とは、動的にHTMLデータを生成することによって、動的なウェブページを実現することを主な目的としたプログラミング言語、およびその言語処理系である。
PHPは、HTML埋め込み型のサーバサイド・スクリプト言語として分類される。この言語処理系自体は、C言語で記述されている。
「比較するテキスト」には、以下の文章を入れてみよう。
PHP(Hypertext Preprocessor;ピー・エイチ・ピー)とは、動的にHTMLデータを生成することによって、動的なウェブページを実現すること目的としたプログラミング言語である。
PHPは、HTML埋め込み型のサーバサイド・スクリプト言語の一種で、処理系自体はC言語で記述されている。
結果は 98.8% である。
2つめの文章は、一見すると元の文章とは異なっているが、じつはWikipediaの引用文の順番を変えただけである。
このような違いでは、かなり高い類似度の値となる。

次に、「比較するテキスト」に以下の文章を入れて実行してみていただきたい。これは「PHPとは何か」(ぱふぅ家のホームページ)の冒頭部分である。
「PHP(Hypertext Preprocessor)」は、オープンソースのサーバ・サイド・スクリプト言語である。
サーバ・サイド・スクリプトとは、データベースサーバなどのサーバ群と Web ブラウザ(クライアント)を結ぶインターフェースの役割をするもので、Webサーバ上で動作する。HTMLに比べて、動的なページを実現することができる。
結果は 61.0% となる。

PHPで2つの文章の類似度を計算する(KAKASI版)」での、最初の比較例では 75.5%、2番目の比較例では 45.1% だった。
同じ形態素解析という方法でも、形態素に分解するアルゴリズムが違うことで、これだけの差が出る。

ちなみに、PHPとはまったく関係ない以下のテキストを「比較するテキスト」に入れてみると――
さきたま古墳公園(埼玉県行田市大字埼玉4834)は、8基の前方後円墳と1基の円墳が集中する東日本最大の古墳遺跡である。
1938年(昭和13年)8月に国の史跡の指定を受け、1968年(昭和43年)には金錯銘鉄剣(きんさくめいてっけん)が出土したことで一躍脚光を浴びた。
類似度は 17.6% になる。一方、KAKASI を使った結果では 9.0% である。

参考サイト

(この項おわり)
header