计算单个字符串的 TF-IDF 分数

Question

我使用 TF-IDF 和余弦相似度进行字符串匹配，它可以很好地找到字符串列表中字符串之间的相似度。

现在，我想在新字符串与先前计算的矩阵之间进行匹配。 我使用以下代码计算 TF-IDF 分数。

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer(min_df=1, analyzer=ngrams)
tf_idf_matrix = vectorizer.fit_transform(list_string)

如何计算新字符串相对于先前矩阵的 TF-IDF 分数？ 我可以将新字符串添加到系列并重新计算矩阵，如下所示，但这将是低效的，因为我只想要矩阵的最后一个索引并且不需要重新计算旧系列的矩阵。

list_string = list_string.append(new_string)

single_matrix = vectorizer.fit_transform(list_string)

single_matrix = single_matrix[len(list_string) - 1:]

在阅读了一段时间关于TF-IDF计算的信息后，我正在考虑保存每个术语的IDF值并在不使用矩阵的情况下手动计算新字符串的TF-IDF，但我不知道该怎么做。 我怎样才能做到这一点？ 或者有没有更好的方法？

Answer 1

重新拟合 TF-IDF 以计算单个条目的分数不是办法； 您应该简单地将现有拟合矢量化器的.transform()方法用于您的新字符串（而不是整个矩阵）：

single_entry = vectorizer.transform(new_string)

请参阅文档。