importjiebaimportgensimfrom gensim importcorporafrom gensim importmodelsfrom gensim importsimilarities

l1= ["祖国祖国我们爱你", "你今年几岁了", "你有多高你胸多大", "你胸多大"] #语料库

a = "祖国我爱你"all_doc_list=[]for doc inl1:

doc_list=list(jieba.cut_for_search(doc))

all_doc_list.append(doc_list)print(all_doc_list)

doc_test_list=list(jieba.cut_for_search(a))#制作语料库 # [['你', '的', '名字', '是', '什么'], ['你', '今年', '几岁', '了'],#['你', '有', '多', '高', '你', '胸多大'], ['你', '胸多大']]#{"你":1,"的":2,"名字":3}

dictionary = corpora.Dictionary(all_doc_list) #制作词袋#{'什么': 0, '你': 1, '名字': 2, '是': 3, '的': 4, '了': 5,#'今年': 6, '几岁': 7, '多': 8, '有': 9, '胸多大': 10, '高': 11}

#词袋的理解#词袋就是将很多很多的词,进行排列形成一个 词(key) 与一个 标志位(value) 的字典#例如: {'什么': 0, '你': 1, '名字': 2, '是': 3, '的': 4, '了': 5, '今年': 6, '几岁': 7, '多': 8, '有': 9, '胸多大': 10, '高': 11}#至于它是做什么用的,带着问题往下看

print("token2id", dictionary.token2id)print("dictionary", dictionary, type(dictionary))

corpus= [dictionary.doc2bow(doc) for doc inall_doc_list]#[14230 1675]#"你,今年,多,大,了" 1,6,8,5#[['你', '的', '名字', '是', '什么'], ['你', '今年', '几岁', '了'],#['你', '有', '多', '高', '你', '胸多大'], ['你', '胸多大']]#语料库:#这里是将all_doc_list 中的每一个列表中的词语 与 dictionary 中的Key进行匹配#得到一个匹配后的结果,例如['你', '今年', '几岁', '了']#就可以得到 [(1, 1), (5, 1), (6, 1), (7, 1)]#1代表的的是 你 1代表出现一次, 5代表的是 了 1代表出现了一次, 以此类推 6 = 今年 , 7 = 几岁

print("corpus", corpus, type(corpus))#将需要寻找相似度的分词列表 做成 语料库 doc_test_vec

doc_test_vec = dictionary.doc2bow(doc_test_list) #doc_test_vec "你,今年,多,大,了" 1,6,8,5

print("doc_test_vec", doc_test_vec, type(doc_test_vec))#corpus [14230,1675] 语料库 l1#doc_test_vec 1685 用户问题 a

#将corpus语料库(初识语料库) 使用Lsi模型进行训练

lsi = models.LsiModel(corpus) #向量#corpus = [[(0, 1), (1, 1), (2, 1), (3, 1), (4, 1)], [(1, 1), (5, 1), (6, 1), (7, 1)], [(1, 2), (8, 1), (9, 1), (10, 1), (11, 1)], [(1, 1), (10, 1)]]#这里的只是需要学习Lsi模型来了解的,这里不做阐述

print("lsi", lsi, type(lsi))#语料库corpus的训练结果

print("lsi[corpus]", lsi[corpus])#获得语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示

print("lsi[doc_test_vec]", lsi[doc_test_vec])#向量 :#位置表示 [(0, 1), (1, 1), (2, 1), (3, 1), (4, 1)] = 834473503#[(1, 1), (5, 1), (6, 1)] = 987527163817476541#矩阵#[(5,5),(6,6),(7,3),(5,6),(7,8),(4,4)]#(7,7)#1,边长+-1 ==7 100 -+1 = -30 [40,40],[70,70],[100,-20],[40,70],[100,70],[10,10]#2,正方形 +-1 ==正 100 -+1 = -30 100,100,-20,70,70,100#3,边长小于 +-1 == 100 -+1 = -30 [70,70],[100,100],[0,40],[],[0,0]#4,加权求和 = 180,240,60,180,240,120

#文本相似度#稀疏矩阵相似度 将 主 语料库corpus的训练结果 作为初始值#0 1 0 1 1#0 0 1 1 1#0 1 0 1 1#0 0 1 1 1#0 1 0 1 1

index= similarities.SparseMatrixSimilarity(lsi[corpus], num_features=len(dictionary.keys()))print("index", index, type(index))#将 语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示 与 语料库corpus的 向量表示 做矩阵相似度计算

sim =index[lsi[doc_test_vec]]print("sim", sim, type(sim))#对下标和相似度结果进行一个排序,拿出相似度最高的结果#cc = sorted(enumerate(sim), key=lambda item: item[1],reverse=True)

cc = sorted(enumerate(sim), key=lambda item: -item[1])print(cc)

text=l1[cc[0][0]]print(a,text)