PHP计算两个标题文本相似度的实现方法

核心原理与准备

PHP 标准库中提供了 similar_text() 函数用于比较两个字符串，并通过引用参数返回相似的字节数占总字符数的比例（百分比）。但直接比较原始标题往往受前后缀、标点符号影响较大，因此需要预处理步骤来提取标题的核心语义部分。

完整代码实现

以下代码包含两个主要功能：
1. get_real_title()：清洗 HTML 实体、替换分隔符，并提取长度最长的片段作为“真实标题”。
2. title_similar()：调用上述清洗函数后，利用 similar_text 计算并返回相似度百分比。

<?php
/*
 * 计算两个标题的相似度百分比
 * @param string $title_1 题目1
 * @param string $title_2 题目2
 * @return float $percent 相似百分比
 */
function title_similar($title_1, $title_2) {
    // 1. 清洗原始标题数据
    $clean_title_1 = get_real_title($title_1);
    $clean_title_2 = get_real_title($title_2);
    
    // 2. 使用 similar_text 获取相似度
    // 第三个参数为引用传递，接收相似百分比
    similar_text($clean_title_1, $clean_title_2, $percent);
    
    return $percent;
}

/**
 * 辅助函数：采集文章题目并去版权/杂项
 * 处理逻辑：替换分隔符 -> 分割取最长片段 -> 转义HTML标签
 * @param string $str 原始标题字符串
 * @return string 清洗后的核心标题
 */
function get_real_title($str){
    // 将常见的版权或装饰符号统一替换为下划线，便于分割
    $str = str_replace(array('-','—','|'), '_', $str);
    
    // 按 '_' 拆分字符串
    $splits = explode('_', $str);
    
    $max_len = 0;
    $best_part = '';
    
    // 遍历各部分，找出字符数最长的片段作为核心标题
    foreach ($splits as $tp){
        $len = strlen($tp);
        if ($max_len < $len){
            $max_len = $len;
            $best_part = $tp;
        }
    }
    
    // 去除首尾空格并将 HTML 特殊字符转为实体显示
    $result = trim(htmlspecialchars($best_part));
    
    return $result;
}

// --- 测试示例 ---
$title_1 = '代号PHPCMS V9产品正式发布公测版本';
$title_2 = 'PHPCMS再战江湖 V9产品正式发布公测版本';

$percent = title_similar($title_1, $title_2);
echo '相似百分比：' . $percent . '%';
?>

结果验证与注意事项

在上述测试用例中，get_real_title 会识别出 “V9产品正式发布公测版本” 为最长且最完整的语义单元。经过清洗后，两个标题在该部分的相似度将被准确计算。此方法有效避免了因前缀不同（如 "代号" vs "再战江湖"）导致的相似度误判。

需注意，如果标题本身不含明显分隔符，该清洗逻辑将默认保留整个字符串。对于极其复杂的标题结构，可进一步调整 explode 的分隔符策略或引入正则表达式进行更精细的切分。

以上就是PHP计算标题相似比的详细内容，更多关于PHP字符串比较的资料请关注本站其它相关文章！