-
22-09-2019 - |
题
我计算了两个文档的 tf/idf 值。以下是 tf/idf 值:
1.txt
0.0
0.5
2.txt
0.0
0.5
这些文件是这样的:
1.txt = > dog cat
2.txt = > cat elephant
如何使用这些值来计算余弦相似度?
我知道我应该计算点积,然后找到距离并将点积除以它。我如何使用我的值来计算这个值?
还有一个问题: 两个文档的字数应该相同重要吗?
解决方案
a * b
sim(a,b) =--------
|a|*|b|
A * B是点积
一些细节:
def dot(a,b):
n = length(a)
sum = 0
for i in xrange(n):
sum += a[i] * b[i];
return sum
def norm(a):
n = length(a)
for i in xrange(n):
sum += a[i] * a[i]
return math.sqrt(sum)
def cossim(a,b):
return dot(a,b) / (norm(a) * norm(b))
是肯定的。在一定程度上,a和b必须具有相同的长度。但A和B通常有稀疏表示,你只需要存储非零条目,就可以计算出规范和斑点更快速。
其他提示
简单的Java代码实现:
static double cosine_similarity(Map<String, Double> v1, Map<String, Double> v2) {
Set<String> both = Sets.newHashSet(v1.keySet());
both.retainAll(v2.keySet());
double sclar = 0, norm1 = 0, norm2 = 0;
for (String k : both) sclar += v1.get(k) * v2.get(k);
for (String k : v1.keySet()) norm1 += v1.get(k) * v1.get(k);
for (String k : v2.keySet()) norm2 += v2.get(k) * v2.get(k);
return sclar / Math.sqrt(norm1 * norm2);
}
1)计算tf-idf(通常比单独的t-f更好,但完全取决于您的数据集和要求)
从 维基百科 (关于以色列国防军)
合并了一个逆文档频率因子,该因子减少了文档集中经常发生的术语的重量,并增加了很少发生的术语的重量。
2) 不,两个文档的字数相同并不重要。
3)你可以找到 tf-idf
或者 cosine-similarity
现在可以通过调用一些机器学习库函数来使用任何语言。我更喜欢蟒蛇
用于计算的Python代码 tf-idf 和 余弦相似度 ( 使用 scikit 学习 0.18.2 )
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
# example dataset
from sklearn.datasets import fetch_20newsgroups
# replace with your method to get data
example_data = fetch_20newsgroups(subset='all').data
max_features_for_tfidf = 10000
is_idf = True
vectorizer = TfidfVectorizer(max_df=0.5, max_features=max_features_for_tf_idf,
min_df=2, stop_words='english',
use_idf=is_idf)
X_Mat = vectorizer.fit_transform(example_data)
# calculate cosine similarity between samples in X with samples in Y
cosine_sim = cosine_similarity(X=X_Mat, Y=X_Mat)
4)您可能感兴趣 截断奇异值分解 (SVD)
不隶属于 StackOverflow