我试图找到代表两个文件的余弦相似如下:余弦相似
d1: [(0,1), (3,2), (6, 1)]
d2: [(1,1), (3,1), (5,4), (6,2)]
其中每个文档是一个主题的权重向量,其中的主题是在元组的第一个元素重量是第二个元素
我不知道如何去计算余弦相似性在这种情况下与这个加权计划? Python中是否有任何模块/软件包会让我做这样的事情?
我试图找到代表两个文件的余弦相似如下:余弦相似
d1: [(0,1), (3,2), (6, 1)]
d2: [(1,1), (3,1), (5,4), (6,2)]
其中每个文档是一个主题的权重向量,其中的主题是在元组的第一个元素重量是第二个元素
我不知道如何去计算余弦相似性在这种情况下与这个加权计划? Python中是否有任何模块/软件包会让我做这样的事情?
一个很简单的想法是创建的权重的向量,然后使用scipy.spatial.distance.cosine
计算余弦距离(等于1-相似性):
In [1]: from scipy.spatial.distance import cosine
In [2]: import numpy as np
In [3]: d1 = [(0,1), (3,2), (6, 1)]
In [4]: d2 = [(1,1), (3,1), (5,4), (6,2)]
In [5]: def get_weights(d):
...: w = [ 0. ] * N
...: for i, weight in d:
...: w[i] = weight
...: return np.array(w)
...:
In [6]: w1 = get_weights(d1)
In [7]: w2 = get_weights(d2)
In [8]: 1-cosine(w1, w2)
Out[8]: 0.3481553119113957
随着快速看有没有按” t似乎是一种现成的功能,它将采用该形式的输入。你有两个选择,这取决于问题,阵列的大小和其他事情。您可以将两个主题权重矢量中的每一个转换为稀疏的scipy矢量,然后使用sklearn的cosine_similarity(http://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.cosine_similarity.html),或者您可以编写自己的余弦相似度。我会做后者的方式是将每个向量转换为字典(用于快速查找)。
import math
def vect_to_topic_weight(vector):
return {a:b for a,b in vector}
def norm(vector):
return math.sqrt(sum(vector[k]**2 for k in vector.iterkeys()))
def dot(a,b):
return sum(a[k]*b.get(k,0) for k in a.iterkeys())
# returns the cosine_similarity, with inputs as topic_weight dicts
def cosine_similarity(a, b):
return dot(a,b)/float(norm(a)*norm(b))
是的,python中有包, scikit-learn's cosine sim. documentation here。下面,我给你一个手动的方式来做到这一点:
import numpy as np
d1 = dict([(0,1), (3,2), (6, 1)])
d2 = dict([(1,1), (3,1), (5,4), (6,2)])
l = max(d1.keys() + d2.keys()) + 1 ## Number of topics observed
v1 = np.zeros((l,))
for i in xrange(l):
if i in d1.keys():
v1[i] = d1[i]
v2 = np.zeros((l,))
for i in xrange(l):
if i in d2.keys():
v2[i] = d2[i]
## now v1 and v2 are 1-d np arrays representing your docs.
v1 = v1/np.sqrt(np.dot(v1,v1)) ## normalize
v2 = v2/np.sqrt(np.dot(v2,v2)) ## normalize
cos_sim = np.dot(v1,v2) ## should get .348155...
谢谢,但公式中的主题数是两个文档中的总数,而不是唯一的主题数量......这是什么需要 – newdev14
你可能意思是:最大(d1.keys()+ d2.keys())+ 1? – newdev14
你最近的评论正是我所拥有的。为清楚起见,最大(d1.keys()+ d2.keys())= max([0,3,6] + [1,3,5,6])= max([0,3,6,1 ,3,5,6])= 6.我们希望+1 b/c主题的数量是7(0是主题)。 – travelingbones
如果向量是长还是有很多可能的话题,那么你需要让他们疏 - 否则很危险,使他们密集。 – gabe
的确,假设矢量很稀疏,并且有很多主题。 – mdml
@mdml - 谢谢,我假设N是唯一主题的总数?我如何找到?主题的数量可能因案例而异,我可能需要一种方法来计算它们的先验性: – newdev14