前段时间做了一个表情搜索的评测,用到了相似度评测,在实践过程中遇到了一个问题,在这里和大家分享下。
表情搜索做了一次重构,在做结果质量评测时,会对比新的服务器和现有线上服务器的返回结果数,返回结果重合率,返回结果相似度这三个维度。进而评估新服务器的质量。
以上3个维度是递进的关系,结果重合率是对比前N个结果经过相同排序后,重合的比例,但是这种情况下,即使相同,也不能说完全一样,比如:ABCDE和AEBDC。所以鉴于这种情况,就增加了距离相似度评测。
相似度算法介绍:
对比不同的距离算法,最后通过结果对比,选择莱文斯坦(Levenshtein)距离算法。git地址为:https://github.com/miohtama/python-Levenshtein。python可以直接通过pip安装,是业界成熟的相似度距离算法,调用方法如下:
#! /usr/bin/python
本次使用的是setratio(),在使用的过程中,遇到了一个问题:由于表情搜索返回的唯一标识为md5.这样对测试和线上的结果会形成两个list形如:[‘abc’,’dae’]和[‘cbf’,’efc’]。
print (Levenshtein.seqratio(['abc','dae'],['cbf','efc']))
调用后,发现有相似度分值,而实际场景两个list是完全不一样的,这是不符合预期的,但是对比[‘a’,’b’]和[‘c’,’d’]两个list的结果是0。这说明对比算法还是按照单个字符逐个对比,且对大小写敏感。
以上说明,直接比两个md5的list的相似度,肯定是不准确的。需要将两个md5list的每个元素变为单个字符,具体做法如下: 1、由0~9,a~z,A~Z组成62个单字符集(由于测试和线上服务器最多需要对比前30张图,所以最多需要60个单字符)。 2、对线上服务器的前30个结果,分别替换成单字符list:[‘0’,’1’…’s’,’t’]。 3、对测试服务器的前30个结果,逐个查找是否存在于线上服务器列表中。 4、如果存在,则替换成已分配的字符。 5、如果不存在,则从剩余未分配的单字符集中获取。 这样操作后,将原有的md5的list换成了单字符list。再调用seqratio()方法,就没问题了。
齐心抗疫
搜狗与你同在