新文本文档与现有文档列表的余弦相似度

我有一个包含 1000 个带有相应关键字的文本文档的数据框。我想通过查找与列表中最相似的文档对应的关键字来提取新文档的关键字。



慕虎7371278
浏览 97回答 1
1回答

幕布斯6054654

首先将您的 csv 保存到数据帧 df 并使用以下函数进行余弦相似度计算。def get_cosine(vec1, vec2): intersection = set(vec1.keys()) & set(vec2.keys()) numerator = sum([vec1[x] * vec2[x] for x in intersection])sum1 = sum([vec1[x]**2 for x in vec1.keys()])sum2 = sum([vec2[x]**2 for x in vec2.keys()])denominator = math.sqrt(sum1) * math.sqrt(sum2)if not denominator:    return 0.0else:    return float(numerator) / denominatordef text_to_vector(text):word = re.compile(r'\w+')words = word.findall(text)return Counter(words)def get_result(content_a, content_b):text1 = content_atext2 = content_bvector1 = text_to_vector(text1)vector2 = text_to_vector(text2)cosine_result = get_cosine(vector1, vector2)return cosine_result然后遍历 df 并调用如下函数:similarity=[]for ind in df.index:#my_doc="new document should go in here"#prev_doc= "previous document for each index should go in here"cos=get_result(my_doc, prev_doc)similarity.append(cos)max_ind= similarity.index(max(similarity))  您将获得最相似文档的索引位置
打开App,查看更多内容
随时随地看视频慕课网APP

相关分类

Python