python求反余弦_余弦相似度计算公式:python代码找出相似文章
余弦相似度计算公式:python代码找出相似文章
用TF-IDF算法可以自动提取关键词。除了找到关键词,怎么找到与原文章相似的其他文章。比如,"百科TA说"在词条最下方,还提供多条相似的文章。
为了找出相似的文章,需要用到"余弦相似度"(cosine similiarity)。什么是"余弦相似度" ?
余弦相似度百度百科:余弦相似度,又称为余弦相似性,是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦相似度将向量根据坐标值,绘制到向量空间中,如最常见的二维空间。
为了简单起见,我们先从句子着手。
句子A:我喜欢看电视,不喜欢看电影。
句子B:我不喜欢看电视,也不喜欢看电影。
请问怎样才能计算上面两句话的相似程度?
基本思路是:如果这两句话的用词越相似,它们的内容就应该越相似。因此,可以从词频入手,计算它们的相似程度。
1.第一步,分词
句子A:我/喜欢/看/电视,不/喜欢/看/电影。
句子B:我/不/喜欢/看/电视,也/不/喜欢/看/电影。
2.第二步,列出所有词的并集
我,喜欢,看,电视,电影,不,也。
3.第三步,计算词频向量
计算词频:
句子A:我 1,喜欢 2,看 2,电视 1,电影 1,不 1,也 0。
句子B:我 1,喜欢 2,看 2,电视 1,电影 1,不 2,也 1。
写出词频向量:
句子A:[1, 2, 2, 1, 1, 1, 0]
句子B:[1, 2, 2, 1, 1, 2, 1]
4.第四步,计算余弦值
计算这两个向量的相似程度。余弦值越大,证明夹角越小,两个向量越相似。
我们可以把它们想象成空间中的两条线段,都是从原点([0, 0, ...])出发,指向不同的方向。两条线段之间形成一个夹角,如果夹角为0度,意味着方向相同、线段重合;如果夹角为90度,意味着形成直角,方向完全不相似;如果夹角为180度,意味着方向正好相反。因此,我们可以通过夹角的大小,来判断向量的相似程度。夹角越小,就代表越相似。
以二维空间为例,上图的a和b是两个向量,我们要计算它们的夹角θ。余弦定理告诉我们,可以用下面的公式求得:
假定a向量是[x1, y1],b向量是[x2, y2],那么可以将余弦定理改写成下面的形式:
数学家已经证明,余弦的这种计算方法对n维向量也成立。假定A和B是两个n维向量,A是 [A1, A2, ..., An] ,B是 [B1, B2, ..., Bn] ,则A与B的夹角θ的余弦等于:
使用这个公式,我们就可以得到,句子A与句子B的夹角的余弦。
余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似,这就叫"余弦相似性"。所以,上面的句子A和句子B是很相似的,事实上它们的夹角大约为20.3度。
由此,我们就得到了"找出相似文章"的一种算法:
(1)使用TF-IDF算法,找出两篇文章的关键词;
(2)每篇文章各取出若干个关键词(比如20个),合并成一个集合,计算每篇文章对于这个集合中的词的词频(为了避免文章长度的差异,可以使用相对词频);
(3)生成两篇文章各自的词频向量;
(4)计算两个向量的余弦相似度,值越大就表示越相似。
"余弦相似度"是一种非常有用的算法,只要是计算两个向量的相似程度,都可以采用它。
5.第五步,python余弦相似度计算
import jieba
import jieba.analyse
def words2vec(words1=None, words2=None):
v1 = []
v2 = []
tag1 = jieba.analyse.extract_tags(words1, withWeight=True)
tag2 = jieba.analyse.extract_tags(words2, withWeight=True)
tag_dict1 = {i[0]: i[1] for i in tag1}
tag_dict2 = {i[0]: i[1] for i in tag2}
merged_tag = set(tag_dict1.keys()) | set(tag_dict2.keys())
for i in merged_tag:
if i in tag_dict1:
v1.append(tag_dict1[i])
else:
v1.append(0)
if i in tag_dict2:
v2.append(tag_dict2[i])
else:
v2.append(0)
return v1, v2
def cosine_similarity(vector1, vector2):
dot_product = 0.0
normA = 0.0
normB = 0.0
for a, b in zip(vector1, vector2):
dot_product += a * b
normA += a ** 2
normB += b ** 2
if normA == 0.0 or normB == 0.0:
return 0
else:
return round(dot_product / ((normA**0.5)*(normB**0.5)) * 100, 2)
def cosine(str1, str2):
vec1, vec2 = words2vec(str1, str2)
return cosine_similarity(vec1, vec2)
print(cosine('宋建sem', '宋建sem'))
6.第六步,文章相似度检测工具
下一次,我想谈谈如何在词频统计的基础上,自动生成一篇文章的摘要。
python求反余弦_余弦相似度计算公式:python代码找出相似文章相关推荐
- TF-IDF与余弦相似性的应用(二):找出相似文章
FROM:http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html 作者: 阮一峰 日期: 2013年3月21日 上一次,我用TF-I ...
- python求近似值_python 已知一个字符,在一个list中找出近似值或相似值实现模糊匹配...
已知一个元素,在一个list中找出相似的元素 使用场景: 已知一个其它来源的字符串, 它有可能是不完全与我数据库中相应的字符串匹配的,因此,我需要将其转为适合我数据库中的字符串 使用场景太绕了, 直接 ...
- python求二维数组的鞍点_C语言程序,找出一个二维数组的鞍点。
什么是鞍点????? 鞍点就是在一个二维数组中,某一个数在该行中最大,然而其在该列中又是最小的数,这样的数称为鞍点. 昨天突然在书上看到这样的一道题,就自己尝试着写了一个找出一个二维数组中的鞍点. 好 ...
- python中谁是小偷_如何利用心理学从言语中找出谁是小偷??
一个房间,9个人,一夜之间丢了一部新数码相机,已经排除有外贼的可能,但是又想不通谁有偷相机的动机,如何利用心理学从言语中判断出小偷可能是谁?? 学校宿舍,经过讨论分析,相机丢失时间是在夜间熄灯前后,因 ...
- python求excel方差_使用Excel、R、Python求统计量
四个统计量的概念 Ø平均数(mean)也成为均值,它是一组数据相加后出医院数据的个数得得到的结果,样本均值用表示,总体均值用. Ø中位数(median)是一组数据排序后处于中间位置上的数值,用表示. ...
- 余弦相似性:找出相似文章
上一次,我用TF-IDF算法自动提取关键词. 今天,我们再来研究另一个相关的问题.有些时候,除了找到关键词,我们还希望找到与原文章相似的其他文章.比如,"Google新闻"在主新闻 ...
- python find不区分大小写_牛鹭学院:Python基础了解
本文来自牛鹭学院学员:田雨 python初印象 Python 是一种解释型语言: 这意味着开发过程中没有了编译这个环节.类似于PHP和Perl语言. Python 是交互式语言: 在一个 Python ...
- python新手入门教程思路-Python新手入门教程_教你怎么用Python做数据分析
Python新手入门教程_教你怎么用Python做数据分析 跟大家讲了这么多期的Python教程,有小伙伴在学Python新手教程的时候说学Python比较复杂的地方就是资料太多了,比较复杂.很多网上 ...
- C语言简单算法之求交错序列前N项和,统计学生平均成绩与及格人数,求1到100的和,求奇数分之一序列前N项和,找出最小值,求n!,统计字符,最佳情侣身高差
C语言简单算法之求交错序列前N项和,统计学生平均成绩与及格人数,求1到100的和,求奇数分之一序列前N项和,找出最小值,求n!,统计字符,最佳情侣身高差 [1] 1.题目三 求交错序列前N项和 1.实 ...
最新文章
- node seneca_使用Node.js和Seneca编写国际象棋微服务,第1部分
- 多线程导出excel_【开源资讯】MyExcel 3.7.0 发布,屏蔽多线程处理细节
- 开发日记-20190707 关键词 读书笔记 《Perl语言入门》Day 4
- mysqli存储过程
- cordova flie文件目录_Cordova文件插件目录错误
- 使用Spring Boot打造文件文档在线预览平台
- 95-190-040-源码-window-Session Window
- 修改时无论改成什么,值总是默认为1
- POJ 2429 GCD LCM Inverse(Miller-Rabbin素性测试,Pollard rho质因子分解)
- Jspxcms 9.5.0 发布,Java CMS
- java计算机毕业设计线上医药用品分销系统设计与实现MyBatis+系统+LW文档+源码+调试部署
- matlab 组装刚度矩阵,求整体刚度矩阵matlab程序
- Ghost XP SP2 64位 纯净珍藏版
- 查看计算机网卡型号命令,win10系统 查看电脑网卡型号的设置方法
- 缓存加速CDN——squid代理服务器应用(传统代理,透明代理)
- 学习HTML+CSS知识点
- 微信转发图片不清晰怎么办?
- JavaScript 求平均数的方法(实参个数不确定)
- 你真的了解计算机病毒吗?内容很“干”,记得喝水
- 行为型模式-观察者模式
热门文章
- STM32F103调试笔记(1)——microusb接入电脑后显示未知USB设备(代码43)
- 【转载】BAPI_GOODSMVT_CREATE FUNCITON FOR MIGO 各种移动类型 源代码参考
- 关于数字的智力题-三个女儿的年龄
- win8dns服务器没响应,win8笔记本dns服务器未响应怎么办
- CondaHTTPError: HTTP 404 NOT FOUND for url <https://repo.anaconda.com/pkgs/main/noarch/repodata.json
- 等价多米诺骨牌对的数量
- UVALive 4850 Installations 贪心
- mysql 字符集测试_关于字符集的测试报告_MySQL
- 在CentOS下运行exe的方法
- python批量下载txt图片批量导入到ppt