本文主要參考https://stackoverflow.com/questions/12118720/python-tf-idf-cosine-to-find-document-similaritStackOverflow的回答
主要是使用sklearn的TfidfTransformer
cosine_similarity就是計算L2歸一化的向量點乘。如果x,y是行向量,它們的cosine similarityk是:
linear_kernel 是多項式核的特例,如果x,和y是列向量,他們的線性核爲:
fit &fit_tansform & transform
- fit是一個適配的過程,用於train,得到一個統一的轉換的規則的模型;
- transform:將數據進行轉換,比如測試數據按照訓練數據同樣的模型進行轉換,得到特徵向量;
- fit_tansform:將上述兩個合併起來,fit to data,then transform it. 如果訓練階段用的是fit_transform,在測試階段只需要transform就行
也就是一般訓練的時候用fit_transform(train_data)
在測試的時候用transform(test_data)
回答一
如果你想提取count features並應用TF-IDFnormalizaition以及行基礎的歐式距離,用一個操作就行:
TFidfVectorizor
>>> from sklearn.feature_extraction.text import TfidfVectorizer
>>> from sklearn.datasets import fetch_20newsgroups
>>> twenty = fetch_20newsgroups()
>>> tfidf = TfidfVectorizer().fit_transform(twenty.data)
>>> tfidf
<11314x130088 sparse matrix of type '<type 'numpy.float64'>'
with 1787553 stored elements in Compressed Sparse Row format>
現在要求一個文檔(如第一句)同其他所有文檔的距離,只需要計算第一個向量和其他所有向量的點乘,因爲tfidf向量已經row-normalized
cos距離並不考慮向量的大小(也就是絕對值),Row-normalised(行標準化)向量大小爲1,所以Linear Kernel足夠計算相似值。
scipy sparse matrix查看第一個向量:
>>> tfidf[0:1]
<1x130088 sparse matrix of type '<type 'numpy.float64'>'
with 89 stored elements in Compressed Sparse Row format>
scikit-learn已經提供了pairwise metrics,稀疏的不稀疏的矩陣表示。這裏我們需要點乘操作,也叫linear kernel:
>>> from sklearn.metrics.pairwise import linear_kernel
>>> cosine_similarities = linear_kernel(tfidf[0:1], tfidf).flatten()
>>> cosine_similarities
array([ 1. , 0.04405952, 0.11016969, ..., 0.04433602,
0.04457106, 0.03293218])
這裏插播一下,linear_kernel的輸入是(NT)和(MT)的向量,輸出(N*M)的向量
因此,要找5個最接近的相關文檔,只需要用argsort切片取就行了:
>>> related_docs_indices = cosine_similarities.argsort()[:-5:-1]
>>> related_docs_indices
array([ 0, 958, 10576, 3277])
>>> cosine_similarities[related_docs_indices]
array([ 1. , 0.54967926, 0.32902194, 0.2825788 ])
第一個結果用於檢查,這是query本身,相似度爲1
在這個例子裏,learn_kernel就相當於cos similarity,因爲sklearn.feature_extraction.text.TfidfVectorizer本身得到的就是歸一化後的向量,這樣cosine_similarity就相當於linear_kernel
回答2
是個手動計算的方法
循環計算test_data與train_data的特徵間的cosine 距離
首先用簡單的lambda函數表示cosine距離的計算:
cx = lambda a, b : round(np.inner(a, b)/(LA.norm(a)*LA.norm(b)), 3)
然後就只要for循環就行
for vector in trainVectorizerArray:
print vector
for testV in testVectorizerArray:
print testV
cosine = cx(vector, testV)
print cosine
回答3
跟回答1一樣,不過直接用cosine_similarity
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.feature_extraction.text import TfidfVectorizer
print "cosine scores ==> ",cosine_similarity(tfidf_matrix_train[0:1], tfidf_matrix_train) #here the first element of tfidf_matrix_train is matched with other elements