Python3 - 將相似的字符串分組在一起

Question

我想要做的是將一個小說網站上的字符串組合在一起。 帖子的標題通常采用以下格式：

titles = ['Series Name: Part 1 - This is the chapter name',
    '[OC] Series Name - Part 2 - Another name with the word chapter and extra oc at the start',
    "[OC] Series Name = part 3 = punctuation could be not matching, so we can't always trust common substrings",
    '{OC} Another cool story - Part I - This is the chapter name',
    '{OC} another cool story: part II: another post title',
    '{OC} another cool story part III but the author forgot delimiters',
    "this is a one-off story, so it doesn't have any friends"]

分隔符等並不總是存在，並且可能會有一些變化。

我首先將字符串規范化為字母數字字符。

import re
from pprint import pprint as pp

titles = []  # from above

normalized = []
for title in titles:
    title = re.sub(r'\bOC\b', '', title)
    title = re.sub(r'[^a-zA-Z0-9\']+', ' ', title)
    title = title.strip()
    normalized.append(title)

pp(normalized)

這使

   ['Series Name Part 1 This is the chapter name',
 'Series Name Part 2 Another name with the word chapter and extra oc at the start',
 "Series Name part 3 punctuation could be not matching so we can't always trust common substrings",
 'Another cool story Part I This is the chapter name',
 'another cool story part II another post title',
 'another cool story part III but the author forgot delimiters',
 "this is a one off story so it doesn't have any friends"]

我希望的 output 是：

['Series Name', 
'Another cool story', 
"this is a one-off story, so it doesn't have any friends"]  # last element optional

我知道比較字符串的幾種不同方法......

difflib.SequenceMatcher.ratio()

Levenshtein 編輯距離

我也聽說過 Jaro-Winkler 和 FuzzyWuzzy。

但真正重要的是我們可以得到一個數字來顯示字符串之間的相似性。

我想我需要想出（大部分）一個二維矩陣來比較每個字符串。 但是一旦我知道了，我就無法思考如何將它們實際分成組。

我發現另一個似乎已經完成了第一部分的帖子......但是我不確定如何從那里繼續。

scipy.cluster 起初看起來很有希望……但后來我就不知所措了。

另一個想法是以某種方式將itertools.combinations()與functools.reduce()與上述距離度量之一結合起來。

我是不是想太多了？ 看起來這應該很簡單，但它在我的腦海中沒有意義。

Answer 1

這是CKM回答中提出的想法的實現： https://stackoverflow.com/a/61671971/42346

首先去掉標點符號——這對你的目的並不重要——使用這個答案： https://stackoverflow.com/a/15555162/42346

然后，我們將使用此處描述的技術之一： https://blog.eduonix.com/artificial-intelligence/clustering-similar-sentences-together-using-machine-learning/來聚類相似的句子。

from nltk.tokenize import RegexpTokenizer

tokenizer = RegexpTokenizer(r'\w+') # only alphanumeric characters

lol_tokenized = []
for title in titles:
    lol_tokenized.append(tokenizer.tokenize(title))

然后獲取標題的數字表示：

import numpy as np 
from gensim.models import Word2Vec

m = Word2Vec(lol_tokenized,size=50,min_count=1,cbow_mean=1)  
def vectorizer(sent,m): 
    vec = [] 
    numw = 0 
    for w in sent: 
        try: 
            if numw == 0: 
                vec = m[w] 
            else: 
                vec = np.add(vec, m[w]) 
            numw += 1 
        except Exception as e: 
            print(e) 
    return np.asarray(vec) / numw 

l = []
for i in lol_tokenized:
    l.append(vectorizer(i,m))

X = np.array(l)

天哪，那是很多。
現在你必須進行聚類。

from sklearn.cluster import KMeans

clf = KMeans(n_clusters=2,init='k-means++',n_init=100,random_state=0)
labels = clf.fit_predict(X)
print(labels)
for index, sentence in enumerate(lol_tokenized):
    print(str(labels[index]) + ":" + str(sentence))

[1 1 0 1 0 0 0]
1:['Series', 'Name', 'Part', '1', 'This', 'is', 'the', 'chapter', 'name']
1:['OC', 'Series', 'Name', 'Part', '2', 'Another', 'name', 'with', 'the', 'word', 'chapter', 'and', 'extra', 'oc', 'at', 'the', 'start']
0:['OC', 'Series', 'Name', 'part', '3', 'punctuation', 'could', 'be', 'not', 'matching', 'so', 'we', 'can', 't', 'always', 'trust', 'common', 'substrings']
1:['OC', 'Another', 'cool', 'story', 'Part', 'I', 'This', 'is', 'the', 'chapter', 'name']
0:['OC', 'another', 'cool', 'story', 'part', 'II', 'another', 'post', 'title']
0:['OC', 'another', 'cool', 'story', 'part', 'III', 'but', 'the', 'author', 'forgot', 'delimiters']
0:['this', 'is', 'a', 'one', 'off', 'story', 'so', 'it', 'doesn', 't', 'have', 'any', 'friends']

然后你可以拉出索引 == 1 的那些：

for index, sentence in enumerate(lol_tokenized): 
    if labels[index] == 1: 
        print(sentence) 

['Series', 'Name', 'Part', '1', 'This', 'is', 'the', 'chapter', 'name']
['OC', 'Series', 'Name', 'Part', '2', 'Another', 'name', 'with', 'the', 'word', 'chapter', 'and', 'extra', 'oc', 'at', 'the', 'start']
['OC', 'Another', 'cool', 'story', 'Part', 'I', 'This', 'is', 'the', 'chapter', 'name']

Answer 2

您的任務屬於所謂的semantic similarity 。 我建議你進行如下操作：

1. 通過 Glove/Word2vec 或流行的 BERT 獲取字符串的映射。 這將為您提供標題的數字表示。
2. 然后從 scikit 的 k-means 開始執行聚類，然后您可以 go 獲得高級聚類方法。