python文本数据相似度的度量

时间:2022-05-03 21:48:35

编辑距离

编辑距离,又称为Levenshtein距离,是用于计算一个字符串转换为另一个字符串时,插入、删除和替换的次数。例如,将'dad'转换为'bad'需要一次替换操作,编辑距离为1。

nltk.metrics.distance.edit_distance函数实现了编辑距离。

?
1
2
3
4
5
from nltk.metrics.distance import edit_distance
 
str1 = 'bad'
str2 = 'dad'
print(edit_distance(str1, str2))

N元语法相似度

n元语法只是简单地表示文本中n个标记的所有可能的连续序列。n元语法具体是这样的

?
1
2
3
4
5
6
7
8
9
10
11
import nltk
 
#这里展示2元语法
text1 = 'Chief Executive Officer'
 
#bigram考虑匹配开头和结束,所有使用pad_right和pad_left
ceo_bigrams = nltk.bigrams(text1.split(),pad_right=True,pad_left=True)
 
print(list(ceo_bigrams))
[(None, 'Chief'), ('Chief', 'Executive'),
('Executive', 'Officer'), ('Officer', None)]

2元语法相似度计算

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import nltk
 
#这里展示2元语法
def bigram_distance(text1, text2):
  #bigram考虑匹配开头和结束,所以使用pad_right和pad_left
  text1_bigrams = nltk.bigrams(text1.split(),pad_right=True,pad_left=True)
  
  text2_bigrams = nltk.bigrams(text2.split(), pad_right=True, pad_left=True)
  
  #交集的长度
  distance = len(set(text1_bigrams).intersection(set(text2_bigrams)))
  
  return distance
 
 
text1 = 'Chief Executive Officer is manager'
 
text2 = 'Chief Technology Officer is technology manager'
 
print(bigram_distance(text1, text2)) #相似度为3

jaccard相似性

jaccard距离度量的两个集合的相似度,它是由 (集合1交集合2)/(结合1交结合2)计算而来的。

实现方式

?
1
2
3
4
5
6
7
from nltk.metrics.distance import jaccard_distance
 
#这里我们以单个的字符代表文本
set1 = set(['a','b','c','d','a'])
set2 = set(['a','b','e','g','a'])
 
print(jaccard_distance(set1, set2))

0.6666666666666666

masi距离

masi距离度量是jaccard相似度的加权版本,当集合之间存在部分重叠时,通过调整得分来生成小于jaccard距离值。

?
1
2
3
4
5
6
7
8
from nltk.metrics.distance import jaccard_distance,masi_distance
 
#这里我们以单个的字符代表文本
set1 = set(['a','b','c','d','a'])
set2 = set(['a','b','e','g','a'])
 
print(jaccard_distance(set1, set2))
print(masi_distance(set1, set2))

0.6666666666666666
0.22000000000000003

余弦相似度

nltk提供了余弦相似性的实现方法,比如有一个词语空间

?
1
2
3
4
5
6
7
8
9
word_space = [w1,w2,w3,w4]
 
text1 = 'w1 w2 w1 w4 w1'
text2 = 'w1 w3 w2'
 
#按照word_space位置,计算每个位置词语出现的次数
 
text1_vector = [3,1,0,1]
text2_vector = [1,1,1,0]

[3,1,0,1]意思是指w1出现了3次,w2出现了1次,w3出现0次,w4出现1次。

好了下面看代码,计算text1与text2的余弦相似性

?
1
2
3
4
5
6
from nltk.cluster.util import cosine_distance
 
text1_vector = [3,1,0,1]
text2_vector = [1,1,1,0]
 
print(cosine_distance(text1_vector,text2_vector))

0.303689376177

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。

原文链接:http://mp.weixin.qq.com/s?__biz=MzI1MTE2ODg4MA==&mid=2650068988&idx=1&sn=3e01d5449ed21f772e68b4d449c334f7&chksm=f1f766e3c680eff5efa0ba2fdc9ceac14dcd2d53ee75814052cfd1c830fd2bffa1b0d0ab92ae&mpshare=1&scene=23&srcid=0312uMoRA5z9iXG8iRzeDwg9#rd