Similaridade de cosseno
-
22-09-2019 - |
Pergunta
Calculei valores de TF/IDF de dois documentos. A seguir, são os seguintes valores de TF/IDF:
1.txt
0.0
0.5
2.txt
0.0
0.5
Os documentos são como:
1.txt = > dog cat
2.txt = > cat elephant
Como posso usar esses valores para calcular a similaridade do cosseno?
Sei que devo calcular o produto DOT e encontrar a distância e dividir o produto DOT por ele. Como posso calcular isso usando meus valores?
Mais uma pergunta: É importante que ambos os documentos tenham o mesmo número de palavras?
Solução
a * b
sim(a,b) =--------
|a|*|b|
A*B é o produto DOT
alguns detalhes:
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))
sim. Até certo ponto, A e B devem ter o mesmo comprimento. Mas A e B geralmente têm representação escassa, você só precisa armazenar entradas diferentes de zero e pode calcular a norma e o ponto mais rápido.
Outras dicas
Implementação simples de código Java:
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) Calcule o TF-IDF (geralmente melhor que o TF sozinho, mas depende completamente do seu conjunto de dados e requisitos)
A partir de Wiki (sobre IDF)
É incorporado um fator de frequência do documento inverso que diminui o peso dos termos que ocorrem com muita frequência no conjunto de documentos e aumenta o peso dos termos que ocorrem raramente.
2) Não, não é importante que ambos os documentos tenham o mesmo número de palavras.
3) Você pode encontrar tf-idf
ou cosine-similarity
Atualmente, em qualquer idioma, invocando alguma função da biblioteca de aprendizado de máquina. Eu prefiro Python
Código Python para calcular TF-IDF e Cosine-similaridade ( usando Scikit-Learn 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) Você pode estar interessado em Decomposição de valor singular truncado (SVD)