python结巴分词余弦相似度算法实现

时间：2023-11-10 22:41:44

过余弦相似度算法计算两个字符串之间的相关度，来对关键词进行归类、重写标题、文章伪原创等功能， 让你目瞪口呆。以下案例使用的母词文件均为txt文件，两种格式：一种内容是纯关键词的txt，每行一个关键词就好；另一种是关键词加指数的txt，关键词和指数之前用tab键分隔，一行一对关键词。

代码附上：

# -*- coding: utf-8 -*-

from jieba import posseg

import math

import time

def simicos(str1, str2):

    # 对两个要计算的字符串进行分词, 使用隐马尔科夫模型(也可不用)

    # 由于不同的分词算法, 所以分出来的结果可能不一样

    # 也会导致相似度会有所误差, 但是一般影响不大

    cut_str1 = [w for w, t in posseg.lcut(str1) if 'n' in t or 'v' in t]

    cut_str2 = [w for w, t in posseg.lcut(str2) if 'n' in t or 'v' in t]

    # 列出所有词

    all_words = set(cut_str1 + cut_str2)

    # 计算词频

    freq_str1 = [cut_str1.count(x) for x in all_words]

    freq_str2 = [cut_str2.count(x) for x in all_words]

    # 计算相似度

    sum_all = sum(map(lambda z, y: z * y, freq_str1, freq_str2))

    sqrt_str1 = math.sqrt(sum(x ** 2 for x in freq_str1))

    sqrt_str2 = math.sqrt(sum(x ** 2 for x in freq_str2))

    return sum_all / (sqrt_str1 * sqrt_str2)

if __name__ == '__main__':

    case1 = "SEO"

    case2 = "SEO培训网"

    start = time.time()

    similarity = simicos(case1, case2)

    end = time.time()

    print()

    print("耗时: %.3fs" % (end - start))

    print("相似度: %.3f" % similarity)

　　

相关文章