文本相似度text-similarity

纯本地计算的文本相似度比对，输入两段文本（每段 ≤ 5000 字）输出 4 种相似度指标 + 加权综合评分 + 5 级评级。 • **零延迟零成本**：纯 PHP 本地计算，无外部上游依赖，平均响应 < 100ms • **4 种指标**：余弦相似度（35%）+ Jaccard 系数（25%）+ 编辑距离归一化（20%）+ LCS 比率（20%） • **5 级评级**：几乎相同 / 高度相似 / 中度相似 / 轻度相似 / 差异较大 • **修复源码 bug**：自实现 mb_levenshtein 字符级编辑距离，杜绝 PHP 内置 levenshtein 按字节计算导致的 85 汉字崩溃问题 • **超长保护**：超过 500 字符自动截取并按比例还原，5000×5000 字符比对约 60-80ms • **典型场景**：评论查重、AI 生成内容检测、多语言翻译质量评估、客服话术匹配

1. 基本信息

接口地址	`https://v1.apizero.cn/api/text-similarity`
请求方法	`POST`
分类	dev
提供方	极数本源
计费模式	免费试用
单次消耗	0 积分
起步价	—
QPS 限制	10 req/s
每日免费额度	500 次（已认证用户）
匿名每日额度	100 次（无 API Key）
VIP 免费	否
调用次数

2. 认证

匿名每日 100 次、QPS 5；登录用户每日 500 次、QPS 10（全部免费）。零上游成本，纯本地计算。

获取 API Key：登录 https://apizero.cn/account/keys

3. 请求参数

参数名	类型	必填	说明	示例
`text1`	`string`	是	第一段文本，1-5000 字符（中英文均按 1 字符计）	`今天天气不错，适合出门散步`
`text2`	`string`	是	第二段文本，1-5000 字符	`今天天气真好，适合出门走走`

4. 请求头

Header	类型	必填	说明	示例
`Authorization`	`string`	否	API Key 鉴权头，格式 Bearer sk_live_xxx；匿名调用时可省略（每日 100 次免费）	`Bearer sk_live_xxxxxxxxxxxxxx`
`Content-Type`	`string`	否	支持 application/x-www-form-urlencoded 或 application/json	`application/json`

5. 请求示例 (cURL)

curl -X POST "https://v1.apizero.cn/api/text-similarity" \
  -H "X-Api-Key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "text1": "今天天气不错，适合出门散步",
  "text2": "今天天气真好，适合出门走走"
}'

6. 响应字段

字段	类型	说明	示例
`text1_length`	`number`	text1 字符长度（mb_strlen）	—
`text2_length`	`number`	text2 字符长度	—
`overall_score`	`number`	综合相似度评分 0.0-1.0（保留 4 位小数）	—
`similarity_level`	`string`	相似度等级英文枚举：nearly_identical / highly_similar / moderately_similar / slightly_similar / different	—
`level_name`	`string`	相似度等级中文：几乎相同 / 高度相似 / 中度相似 / 轻度相似 / 差异较大	—
`metrics`	`object`	详细指标对象	—
`metrics.cosine`	`number`	余弦相似度 0-1（基于 2-gram 词频向量），权重 35%	—
`metrics.jaccard`	`number`	Jaccard 相似系数 0-1（2-gram 集合交并比），权重 25%	—
`metrics.edit_similarity`	`number`	编辑距离归一化相似度 0-1（1 - distance/maxLen），权重 20%	—
`metrics.lcs_similarity`	`number`	LCS 最长公共子序列归一化比率 0-1（2 × lcsLen / (len1+len2)），权重 20%	—
`metrics.edit_distance`	`number`	编辑距离原始值（字符数；超过 500 字符截取后按比例还原）	—
`metrics.lcs_length`	`number`	LCS 最长公共子序列长度（截取后的实际值）	—
`truncated`	`boolean`	edit/LCS 是否经过 500 字符截取近似（仅 cosine/jaccard 始终基于全文）	—

7. 响应示例

{
    "code": 0,
    "msg": "成功",
    "data": {
        "text1_length": 13,
        "text2_length": 13,
        "overall_score": 0.6471,
        "similarity_level": "moderately_similar",
        "level_name": "中度相似",
        "metrics": {
            "cosine": 0.5833,
            "jaccard": 0.4118,
            "edit_similarity": 0.6923,
            "lcs_similarity": 0.9231,
            "edit_distance": 4,
            "lcs_length": 12
        },
        "truncated": false
    },
    "request_id": "abc123def456"
}

8. 错误码

code	status	说明
`4000`	`—`	参数错误：text1 / text2 任一为空 / 超过 5000 字符
`4015`	`—`	匿名调用每日额度用完，需要 API Key
`4029`	`—`	QPS 超限
`4030`	`—`	今日额度用完

9. 变更日志

1.0.0(2026-05-07)
- 首次上线，纯本地计算无上游依赖
- 4 种相似度指标加权融合：余弦 35% + Jaccard 25% + Edit 20% + LCS 20%
- 修复源码 BUG：自实现 mb_levenshtein 按字符（非字节）计算编辑距离，杜绝中文 85 字以上崩溃问题
- 修复源码 BUG：源码 levenshtein else 分支用 mb_substr(0,200) 截取后仍可能超 255 字节限制 → 已用纯字符级算法替代
- LCS 空间优化为 O(min(m,n))，5000×5000 比对内存 < 200KB
- 超过 500 字符自动截取并按比例还原 edit_distance（保证 P99 响应 < 100ms）
- 新增 truncated 字段，告知前端是否启用了截取近似
- 新增 metrics.lcs_length 字段，便于查重场景直接读取「连续相同片段长度」
- 5 级评级：nearly_identical(≥0.9) / highly_similar(≥0.7) / moderately_similar(≥0.4) / slightly_similar(≥0.2) / different
- 支持 application/json 请求体