通过余弦相似度，TF-IDF和pyspark在Python中匹配公司名称

Question

我试图将两个列表中的公司名称匹配在一起，以便检查列表A中的公司是否确实在列表B中列出。由于公司名称的书写形式多种多样，我倾向于使用cosing相似。 为此，我遵循了Ran Tavory在此博客上的注释： Link Here

以下是一般概述：

1. 在驱动程序上计算TF-IDF矩阵。
2. 并行化矩阵A; 广播矩阵B
3. 现在，每个工作人员通过将其矩阵A的块与整个矩阵B相乘来平整其工作块。因此，如果一个工作人员在A [0:99]上进行操作，则它将这100行相乘并返回结果，例如A [13 ]匹配在B [21]中找到的名称。 乘法是使用numpy完成的。
4. 驱动程序将收集来自不同工作人员的所有结果，并将索引（A [13]和B [21]）与原始数据集中的实际名称进行匹配-我们完成了！

我能够运行注释中描述的确切代码，但是其中一部分似乎有点奇怪： b_mat_dist = broadcast_matrix(a_mat)

在广播a_mat以及并行化a_mat时，我得到了每个公司名称都完全匹配的逻辑结果（因为我们正在寻找相同的来源）。

当我尝试广播b_mat时：b_mat_dist = broadcast_matrix（b_mat），出现以下错误： Incompatible dimension for X and Y matrices: X.shape[1] == 56710 while Y.shape[1] == 2418

任何帮助将不胜感激！ 提前致谢 ！

这是我的代码：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from pyspark.sql import SQLContext, SparkSession
from pyspark import SparkContext
from scipy.sparse import csr_matrix
vectorizer = TfidfVectorizer()

if 'sc' in locals():
    sc.stop()

sc = SparkContext("local", "Simple App")

pd.set_option('display.max_colwidth', -1)
RefB =  pd.read_excel('Ref.xlsx')
ToMatchB =  pd.read_excel('ToMatch.xlsx')

Ref = RefB['CLT_company_name']
ToMatch = ToMatchB ['Name1']

a_mat = vectorizer.fit_transform(Ref)
b_mat = vectorizer.fit_transform(ToMatch)

def find_matches_in_submatrix(sources, targets, inputs_start_index,
                              threshold=.8):
    cosimilarities = cosine_similarity(sources, targets)
    for i, cosimilarity in enumerate(cosimilarities):
        cosimilarity = cosimilarity.flatten()
        # Find the best match by using argsort()[-1]
        target_index = cosimilarity.argsort()[-1]
        source_index = inputs_start_index + i
        similarity = cosimilarity[target_index]
        if cosimilarity[target_index] >= threshold:
            yield (source_index, target_index, similarity)

def broadcast_matrix(mat):
    bcast = sc.broadcast((mat.data, mat.indices, mat.indptr))
    (data, indices, indptr) = bcast.value
    bcast_mat = csr_matrix((data, indices, indptr), shape=mat.shape)
    return bcast_mat

def parallelize_matrix(scipy_mat, rows_per_chunk=100):
    [rows, cols] = scipy_mat.shape
    i = 0
    submatrices = []
    while i < rows:
        current_chunk_size = min(rows_per_chunk, rows - i)
        submat = scipy_mat[i:i + current_chunk_size]
        submatrices.append((i, (submat.data, submat.indices, 
                                submat.indptr),
                            (current_chunk_size, cols)))
        i += current_chunk_size
    return sc.parallelize(submatrices)

a_mat_para = parallelize_matrix(a_mat, rows_per_chunk=100)
b_mat_dist = broadcast_matrix(b_mat)
results = a_mat_para.flatMap(
        lambda submatrix:
        find_matches_in_submatrix(csr_matrix(submatrix[1],
                                             shape=submatrix[2]),
                                   b_mat_dist,
                                   submatrix[0]))

Answer 1

尝试均衡两个TfidVectorizer对象的词汇量：

vect = CountVectorizer()
vocabulary =  vect.fit(Ref + ToMatch).vocabulary_
vectorizer = TfidfVectorizer(vocabulary=vocabulary)

同样基于您的目标是：

a_mat = vectorizer.fit_transform(ToMatch)
b_mat = vectorizer.fit_transform(Ref)

对我来说似乎是一个更好的选择。