通過余弦相似度，TF-IDF和pyspark在Python中匹配公司名稱

Question

我試圖將兩個列表中的公司名稱匹配在一起，以便檢查列表A中的公司是否確實在列表B中列出。由於公司名稱的書寫形式多種多樣，我傾向於使用cosing相似。 為此，我遵循了Ran Tavory在此博客上的注釋： Link Here

以下是一般概述：

1. 在驅動程序上計算TF-IDF矩陣。
2. 並行化矩陣A; 廣播矩陣B
3. 現在，每個工作人員通過將其矩陣A的塊與整個矩陣B相乘來平整其工作塊。因此，如果一個工作人員在A [0:99]上進行操作，則它將這100行相乘並返回結果，例如A [13 ]匹配在B [21]中找到的名稱。 乘法是使用numpy完成的。
4. 驅動程序將收集來自不同工作人員的所有結果，並將索引（A [13]和B [21]）與原始數據集中的實際名稱進行匹配-我們完成了！

我能夠運行注釋中描述的確切代碼，但是其中一部分似乎有點奇怪： b_mat_dist = broadcast_matrix(a_mat)

在廣播a_mat以及並行化a_mat時，我得到了每個公司名稱都完全匹配的邏輯結果（因為我們正在尋找相同的來源）。

當我嘗試廣播b_mat時：b_mat_dist = broadcast_matrix（b_mat），出現以下錯誤： Incompatible dimension for X and Y matrices: X.shape[1] == 56710 while Y.shape[1] == 2418

任何幫助將不勝感激！ 提前致謝 ！

這是我的代碼：

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

嘗試均衡兩個TfidVectorizer對象的詞匯量：

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

同樣基於您的目標是：

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

對我來說似乎是一個更好的選擇。