利用sklearn计算文本相似性

 

利用sklearn计算文本相似性，并将文本之间的相似度矩阵保存到文件当中。这里提取文本TF-IDF特征值进行文本的相似性计算。

 

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

#!/usr/bin/python  

# -*- coding: utf-8 -*-

import numpy

import os

import sys

from sklearn import feature_extraction

from sklearn.feature_extraction.text importTfidfTransformer

from sklearn.feature_extraction.text importTfidfVectorizer, CountVectorizer

reload(sys)

#sys.setdefaultencoding('utf8')了 网易 杭研 大厦","小明 硕士 毕业 与 中国 科学院","我 爱 北京 天安门"]

trainfile = open("C:\\Users\\hd\\Desktop\\docs.txt","r")#不同的documents用换行符隔开

traincorpus = trainfile.readlines()

 

#corpus=["我 来到 北京 清华大学","我 他 来到

trainfile.close()

corpus = traincorpus;

     

vectorizer=CountVectorizer()#该类会将文本中的词语转换为词频矩阵，矩阵元素a[i][j] 表示j词在i类文本下的词频

tfidf_vectorizer= TfidfVectorizer(max_df=0.95, min_df=2,#max_features=n_features,

                                   stop_words='english')

transformer=TfidfTransformer()#该类会统计每个词语的tf-idf权值

tfidf=transformer.fit_transform(tfidf_vectorizer.fit_transform(corpus))#第一个fit_transform是计算tf-idf，第二个fit_transform是将文本转为词频矩阵

word=tfidf_vectorizer.get_feature_names()#获取词袋模型中的所有词语

weight=tfidf.toarray()#将tf-idf矩阵抽取出来，元素a[i][j]表示j词在i类文本中的tf-idf权重

f =open("C:\\Users\\hd\\Desktop\\tif.txt","w+")

for i in range(len(weight)):#打印每类文本的tf-idf词语权重，第一个for遍历所有文本，第二个for便利某一类文本下的词语权重

#         print u"-------这里输出第",i,u"类文本的词语tf-idf权重------"

    f.write(str(i+1)+"\t")

    forj in range(len(word)):

        if(weight[i][j]>0): f.write(str(j+1)+ ":"+ str(weight[i][j])+ " ")

    f.write("\n")

    printi

f.close()

f =open("C:\\Users\\hd\\Desktop\\dictionary.txt","w+")

for i in range(len(word)):

    f.write(str(i)+ "\t"+ word[i].encode("utf-8")+ "\n")

f.close()

 

SimMatrix = (tfidf *tfidf.T).A

printSimMatrix[1,3]#"第一篇与第4篇的相似度"

 

numpy.savetxt("C:\\Users\\hd\\Desktop\\SimMatrix.csv", SimMatrix, delimiter=",")#保存相似度矩阵