本文實(shí)例講述了Python實(shí)現(xiàn)簡單的文本相似度分析操作。分享給大家供大家參考，具體如下：

學(xué)習(xí)目標(biāo)：

1.利用gensim包分析文檔相似度
2.使用jieba進(jìn)行中文分詞
3.了解TF-IDF模型

環(huán)境：

Python 3.6.0 |Anaconda 4.3.1 (64-bit)

工具：

jupyter notebook

注：為了簡化問題，本文沒有剔除停用詞“stop-word”。實(shí)際應(yīng)用中應(yīng)該要剔除停用詞。

首先引入分詞API庫jieba、文本相似度庫gensim

import jieba
from gensim import corpora,models,similarities

以下doc0-doc7是幾個最簡單的文檔，我們可以稱之為目標(biāo)文檔，本文就是分析doc_test（測試文檔）與以上8個文檔的相似度。

doc0 = "我不喜歡上海"
doc1 = "上海是一個好地方"
doc2 = "北京是一個好地方"
doc3 = "上海好吃的在哪里"
doc4 = "上海好玩的在哪里"
doc5 = "上海是好地方"
doc6 = "上海路和上海人"
doc7 = "喜歡小吃"
doc_test="我喜歡上海的小吃"

分詞

首先，為了簡化操作，把目標(biāo)文檔放到一個列表all_doc中。

all_doc = []
all_doc.append(doc0)
all_doc.append(doc1)
all_doc.append(doc2)
all_doc.append(doc3)
all_doc.append(doc4)
all_doc.append(doc5)
all_doc.append(doc6)
all_doc.append(doc7)

以下對目標(biāo)文檔進(jìn)行分詞，并且保存在列表all_doc_list中

all_doc_list = []
for doc in all_doc:
  doc_list = [word for word in jieba.cut(doc)]
  all_doc_list.append(doc_list)

把分詞后形成的列表顯示出來：

print(all_doc_list)

[['我', '不', '喜歡', '上海'],
['上海', '是', '一個', '好', '地方'],
['北京', '是', '一個', '好', '地方'],
['上海', '好吃', '的', '在', '哪里'],
['上海', '好玩', '的', '在', '哪里'],
['上海', '是', '好', '地方'],
['上海', '路', '和', '上海', '人'],
['喜歡', '小吃']]

以下把測試文檔也進(jìn)行分詞，并保存在列表doc_test_list中

doc_test_list = [word for word in jieba.cut(doc_test)]
doc_test_list

['我', '喜歡', '上海', '的', '小吃']

制作語料庫

首先用dictionary方法獲取詞袋（bag-of-words)

dictionary = corpora.Dictionary(all_doc_list)

詞袋中用數(shù)字對所有詞進(jìn)行了編號

dictionary.keys()

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17]

編號與詞之間的對應(yīng)關(guān)系

dictionary.token2id

{'一個': 4,
'上海': 0,
'不': 1,
'人': 14,
'北京': 8,
'和': 15,
'哪里': 9,
'喜歡': 2,
'在': 10,
'地方': 5,
'好': 6,
'好吃': 11,
'好玩': 13,
'小吃': 17,
'我': 3,
'是': 7,
'的': 12,
'路': 16}

以下使用doc2bow制作語料庫

corpus = [dictionary.doc2bow(doc) for doc in all_doc_list]

語料庫如下。語料庫是一組向量，向量中的元素是一個二元組（編號、頻次數(shù)），對應(yīng)分詞后的文檔中的每一個詞。

[[(0, 1), (1, 1), (2, 1), (3, 1)],
[(0, 1), (4, 1), (5, 1), (6, 1), (7, 1)],
[(4, 1), (5, 1), (6, 1), (7, 1), (8, 1)],
[(0, 1), (9, 1), (10, 1), (11, 1), (12, 1)],
[(0, 1), (9, 1), (10, 1), (12, 1), (13, 1)],
[(0, 1), (5, 1), (6, 1), (7, 1)],
[(0, 2), (14, 1), (15, 1), (16, 1)],
[(2, 1), (17, 1)]]

以下用同樣的方法，把測試文檔也轉(zhuǎn)換為二元組的向量

doc_test_vec = dictionary.doc2bow(doc_test_list)
doc_test_vec

[(0, 1), (2, 1), (3, 1), (12, 1), (17, 1)]

相似度分析

使用TF-IDF模型對語料庫建模

tfidf = models.TfidfModel(corpus)

獲取測試文檔中，每個詞的TF-IDF值

tfidf[doc_test_vec]

[(0, 0.08112725037593049),
(2, 0.3909393754390612),
(3, 0.5864090631585919),
(12, 0.3909393754390612),
(17, 0.5864090631585919)]

對每個目標(biāo)文檔，分析測試文檔的相似度

index = similarities.SparseMatrixSimilarity(tfidf[corpus], num_features=len(dictionary.keys()))
sim = index[tfidf[doc_test_vec]]
sim

array([ 0.54680777, 0.01055349, 0. , 0.17724207, 0.17724207,
0.01354522, 0.01279765, 0.70477605], dtype=float32)

根據(jù)相似度排序

sorted(enumerate(sim), key=lambda item: -item[1])

[(7, 0.70477605),
(0, 0.54680777),
(3, 0.17724207),
(4, 0.17724207),
(5, 0.013545224),
(6, 0.01279765),
(1, 0.010553493),
(2, 0.0)]

從分析結(jié)果來看，測試文檔與doc7相似度最高，其次是doc0，與doc2的相似度為零。大家可以根據(jù)TF-IDF的原理，看看是否符合預(yù)期。

最后總結(jié)一下文本相似度分析的步驟：

1、讀取文檔
2、對要計算的多篇文檔進(jìn)行分詞
3、對文檔進(jìn)行整理成指定格式，方便后續(xù)進(jìn)行計算
4、計算出詞語的詞頻
5、【可選】對詞頻低的詞語進(jìn)行過濾
6、建立語料庫詞典
7、加載要對比的文檔
8、將要對比的文檔通過doc2bow轉(zhuǎn)化為詞袋模型
9、對詞袋模型進(jìn)行進(jìn)一步處理，得到新語料庫
10、將新語料庫通過tfidfmodel進(jìn)行處理，得到tfidf
11、通過token2id得到特征數(shù)
12、稀疏矩陣相似度，從而建立索引
13、得到最終相似度結(jié)果

更多關(guān)于Python相關(guān)內(nèi)容感興趣的讀者可查看本站專題：《Python數(shù)學(xué)運(yùn)算技巧總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門與進(jìn)階經(jīng)典教程》及《Python文件與目錄操作技巧匯總》

希望本文所述對大家Python程序設(shè)計有所幫助。

最新評論