[英]Compare document pairs within corpus using TF-IDF - Python
我设法使用以下代码来计算TF-IDF和矩阵:
from sklearn.feature_extraction.text import TfidfVectorizer
#define vectorizer parameters
tfidf_vectorizer = TfidfVectorizer(max_df=0.8, max_features=200000,
min_df=0.2, stop_words='english',
use_idf=True, ngram_range=(1,3))
tfidf_matrix = tfidf_vectorizer.fit_transform(paragraphs) #fit the vectorizer to paragraphs
但是,我现在想比较不同段落的相似性,我的最终结果应如下所示:
Pair# | Paragraph1 | Paragraph2 | Similarity score
1 --------xyz --------xyz --------- 30.2%
2 --------xyz --------xyz --------- 22.3%
3 --------xyz --------xyz --------- 4.3%
如何使用TF-IDF
矩阵比较不同的段落对?
假设paragraphs
参数中的每个段落都是一个字符串,那么tfidf_matrix
每一行都是代表该字符串的数字矢量。 度量向量(尤其是tf-idf权重向量)之间的相似性的通用度量是余弦相似度 。 scikit-learn cosine_similarity方法是一种有用的实现,该方法接受矩阵作为输入。
因此,大概可以做到:
from sklearn.metrics.pairwise import cosine_similarity
cosine_sim_matrix = cosine_similarity(tfidf_matrix, tfidf_matrix)
每个单元格i, j
将是第i
和j
段之间的相似度得分。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.