0
我正试图找到两个文档之间的jaccard相似度。然而,我很难理解功能sklearn.metrics.jaccard_similarity_score()
如何在幕后工作。根据我的理解,Jaccard的sim =文档中的术语与文档中的术语联合的交集。python中的Jaccard相似度
考虑下面的例子: 我对两个文件DTM是:
array([[1, 1, 1, 1, 2, 0, 1, 0],
[2, 1, 1, 0, 1, 1, 0, 1]], dtype=int64)
以上FUNC。给我的捷卡SIM得分
print(sklearn.metrics.jaccard_similarity_score(tf_matrix[0,:],tf_matrix[1,:]))
0.25
我试图找到我自己的得分为:
intersection of terms in both the docs = 4
total terms in doc 1 = 6
total terms in doc 2 = 6
Jaccard = 4/(6+6-4)= .5
能有人请帮助,如果有什么明显我是缺少在这里我明白了。
谢谢你的回应!那么,频率匹配(第二和第三学期)在哪里?如果是的话,这是否是获得文件相似性得分的有效方法? – Apoorv
设置Jaccard相似性可以是文档之间相似度的度量,但是诸如TF-IDF之类的度量在文档的bag-of-word模型中更常见。 – enezhadian
顺便检查一下'https:// radimrehurek.com/gensim/index.html'。在那里你可能会发现你需要什么。 – enezhadian