Java 结合 HanLP 分析各省旅游宣传口号相似度

篇幅有限，更多省份数据可通过当地文旅厅官网查询。感情的大家可以在互联网搜索到。

二、当 Java 碰上 HanLP

Java 在企业服务领域深耕二十余年，跨平台、高并发、生态成熟；HanLP 作为国产自然语言处理界的利器，凭借对中文语义的深度建模，能把一句口号切成词性、依存、语义角色，甚至投射到高维向量空间。当代码跑起来，每一条口号都不再只是广告屏上的金色字幕，而是向量空间里的一颗星辰——距离越近，'撞脸'越实锤。

1. HanLP 的应用

HanLP 是面向中文的一站式自然语言处理开源工具包，由何晗开发并维护。它既支持传统基于词典与规则的方法，也内置深度学习模型，涵盖分词、词性标注、命名实体识别、句法分析、文本分类、情感分析、关键词提取、自动摘要等常用 NLP 任务。HanLP 提供 Java 原生 API 和 Python 接口，并可通过 REST 服务或本地模型两种方式调用。其分词核心采用双数组 Trie + 维特比 + 用户自定义词典的混合策略，在保持速度的同时能灵活扩展词汇；深度学习模块则基于 Bi-LSTM-CRF、BERT 等结构，对歧义、未登录词具有更强容错能力。

2. 程序时序调用

在 Java 中集成 HanLP 并且进行省级旅游宣传口号相似性的计算，主要流程包括：数据准备、分词处理、向量构建、相似度计算以及结果排序。其中比较重要的就是基于 HanLP 的分词和词向量计算。

3. 关键实现步骤

Maven 依赖配置

首先在 Maven 工程配置文件中引入 HanLP 的依赖引用，具体的 HanLP 版本可以根据实际情况选择：

<project xmlns="http://maven.apache.org/POM/4.0.0" 
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 
    xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <dependencies>
        <dependency>
            <groupId>com.hankcs</groupId>
            <artifactId>hanlp</artifactId>
            <version>portable-1.8.4</version>
        </dependency>
    </dependencies>
</project>

数据准备

第二步：旅游口号预处理，准备 34 个省份的旅游口号数据，存储在 LinkedHashMap 中。核心代码如下（旅游口号使用 2025 年的最新数据）：

// 省份旅游口号数据 Map<String, String> slogans = new LinkedHashMap<>(); 
slogans.put("北京", "魅力北京"); 
slogans.put("上海", "这里是上海（This is Shanghai）"); 
slogans.put("天津", "天天乐道，津津有味"); 
slogans.put("重庆", "雄奇山水，新韵重庆"); 
slogans.put("河北", "这么近，那么美，周末到河北"); 
slogans.put("山西", "华夏古文明，山西好风光"); 
slogans.put("内蒙古", "壮美内蒙古，亮丽风景线"); 
slogans.put("辽宁", "山海有情，天辽地宁"); 
slogans.put("吉林", "白山松水，吉祥吉林"); 
slogans.put("黑龙江", "冰雪之冠，魅力黑龙江"); 
slogans.put("江苏", "水韵江苏，诗意江南"); 
slogans.put("浙江", "诗画江南，活力浙江"); 
slogans.put("安徽", "美好安徽，迎客天下"); 
slogans.put("福建", "清新福建，山海画廊"); 
slogans.put("江西", "江西风景独好"); 
slogans.put("山东", "好客山东"); 
slogans.put("河南", "老家河南，山水太行"); 
slogans.put("湖北", "千湖之省，灵秀湖北"); 
slogans.put("湖南", "湘楚神韵，灵动湖南"); 
slogans.put("广东", "粤见山海，不负热爱"); 
slogans.put("广西", "秀甲天下，心仪广西"); 
slogans.put("海南", "阳光海南，度假天堂"); 
slogans.put("四川", "锦绣天府，安逸四川"); 
slogans.put("贵州", "走遍大地神州，醉美多彩贵州"); 
slogans.put("云南", "有一种叫云南的生活"); 
slogans.put("西藏", "世界屋脊，心灵净土"); 
slogans.put("陕西", "山水人文，大美陕西"); 
slogans.put("甘肃", "交响丝路，如意甘肃"); 
slogans.put("青海", "大美青海"); 
slogans.put("宁夏", "塞上江南，神奇宁夏"); 
slogans.put("新疆", "大美新疆，丝路风情"); 
slogans.put("香港", "Hello，Hong Kong"); 
slogans.put("澳门", "感受澳门");

分词处理

第三步：调用 HanLP.segment() 方法对每个口号进行分词处理，统计每个口号中每个词的出现频率，并将所有词存储在一个集合中。核心代码如下：

// 获取所有口号的分词结果 List<Map<String, Integer>> wordFrequencyList = new ArrayList<>(); Set<String> allWords = new HashSet<>(); for (String slogan : slogans.values()) { List<Term> terms = HanLP.segment(slogan); Map<String, Integer> wordFrequency = new HashMap<>(); for (Term term : terms) { String word = term.word; wordFrequency.put(word, wordFrequency.getOrDefault(word, 0) + 1); allWords.add(word); } wordFrequencyList.add(wordFrequency); }

向量计算与相似度

第四、五步：分词向量计算，将每个口号的词频统计结果转换为向量。同时调用余弦相似度进行计算，返回相似度结果。

// 将每个口号转换为词频向量 List<int[]> vectors = new ArrayList<>(); List<String> allWordsList = new ArrayList<>(allWords); for (Map<String, Integer> wordFrequency : wordFrequencyList) { int[] vector = new int[allWordsList.size()]; for (int i = 0; i < allWordsList.size(); i++) { String word = allWordsList.get(i); vector[i] = wordFrequency.getOrDefault(word, 0); } vectors.add(vector); }

// 计算每个口号之间的余弦相似度，并存储结果 List<SimilarityResult> similarityResults = new ArrayList<>(); for (int i = 0; i < vectors.size(); i++) { for (int j = i + 1; j < vectors.size(); j++) { double similarity = cosineSimilarity(vectors.get(i), vectors.get(j)); similarityResults.add(new SimilarityResult(slogans.keySet().toArray()[i].toString(), slogans.keySet().toArray()[j].toString(), similarity)); } }

计算余弦值的核心方法如下：

private static double cosineSimilarity(int[] vector1, int[] vector2) {
    double dotProduct = 0.0;
    double normA = 0.0;
    double normB = 0.0;
    for (int i = 0; i < vector1.length; i++) {
        dotProduct += vector1[i] * vector2[i];
        normA += Math.pow(vector1[i], 2);
        normB += Math.pow(vector2[i], 2);
    }
    return dotProduct / (Math.sqrt(normA) * Math.sqrt(normB));
}

经过上面的计算后，将得到的结果存储到一个对象中，接收结果的对象如下：

// 辅助类，用于存储相似度结果 static class SimilarityResult { String province1; String province2; double similarity; SimilarityResult(String province1, String province2, double similarity) {
        this.province1 = province1;
        this.province2 = province2;
        this.similarity = similarity;
    }
}

结果展示

第六步：为了方便将数据进行展示，我们将按照两个省份的口号相似性结果进行排名，相似度大的排名靠前。最后将经过排序后的结果进行输出，代码如下：

// 按相似度从大到小排序 similarityResults.sort((a, b) -> Double.compare(b.similarity, a.similarity)); // 输出结果 for (SimilarityResult result : similarityResults) { System.out.printf("省份：%s 和 省份：%s 的相似度为：%.2f%n", result.province1, result.province2, result.similarity); }

三、成果展示

这是一场'让创意回到创意'的供给侧改革。我们设想这样的场景：某省文旅厅在敲定新口号前，把候选句子扔进系统，0.3 秒内收到一份'相似度预警报告'——'与江西省 2018 年旧版口号相似度 68%，存在舆情风险'；某高校广告系课堂里，学生用可视化面板直观看到''大美××'类表述在近五年使用率上升 312%'，于是决定换个赛道；甚至，当 AI 写作工具疯狂输出'千篇一律'的文案时，我们的引擎能像论文查重一样，给原创性打出分数，让真正的金句脱颖而出。

1. 综合对比

在 IDE 中运行以上程序，可以看到全国各个省份的旅游宣传口号的相似度情况。首先来看一下综合的对比情况：

比较有意思的是，在全国的各个省的旅游宣传口号中，确实存在一些比较有意思的口号，而且大家的相似度还挺好，当然，因为口号比较短，因此重复的概率还是比较高的。下面我们会根据不同的重复度进行一些对比。

2. 口号相似度超 40%

首先来看超过 40% 相似度的省份有哪些：

省份：陕西 和 省份：青海 的相似度为：0.47
省份：陕西 和 省份：新疆 的相似度为：0.46
省份：甘肃 和 省份：新疆 的相似度为：0.46
省份：青海 和 省份：新疆 的相似度为：0.44
省份：重庆 和 省份：河南 的相似度为：0.40
省份：江苏 和 省份：浙江 的相似度为：0.40
省份：江苏 和 省份：宁夏 的相似度为：0.40
省份：浙江 和 省份：宁夏 的相似度为：0.40

为了方便展示，我们以表格的形式来展示上面的这些彼此心有灵犀的省份：

四、总结

本文通过 Java 和 HanLP 对口号进行了简单的相似性评估，我们要做的，不只是给口号'查重'，更是给每一座城市找到专属签名。让'撞脸'的归算法，让惊艳的归山河。文章介绍了旅游宣传口号对各省的重要性，并以 2025 年的最新宣传口号为例，使用 Java 语言，结合 HanLP 进行词向量计算，并通过计算余弦相似性来求解两个省的旅游口号相似性。文章的最后给出了各个省的宣传口号相似性对比结果。以上内容来源于自主计算，受限于评价的口号字数较少和博主的能力所限，因此想要绝对的不重复比较苦难，得出的结果也是一家之言。行文仓促，定有不足之处，欢迎各位朋友在评论区批评指正，不胜感激。