利用sklearn计算文本相似性

 

利用sklearn计算文本相似性，并将文本之间的相似度矩阵保存到文件当中。这里提取文本TF-IDF特征值进行文本的相似性计算。

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42

#!/usr/bin/python   # -*- coding: utf-8 -*- import numpy import os import sys from sklearn import feature_extraction from sklearn.feature_extraction.text import TfidfTransformer from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer reload(sys) #sys.setdefaultencoding('utf8')了 网易 杭研 大厦","小明 硕士 毕业 与 中国 科学院","我 爱 北京 天安门"] trainfile = open("C:\\Users\\hd\\Desktop\\docs.txt","r") #不同的documents用换行符隔开 traincorpus = trainfile.readlines()   #corpus=["我 来到 北京 清华大学","我 他 来到 trainfile.close() corpus = traincorpus;       vectorizer=CountVectorizer()#该类会将文本中的词语转换为词频矩阵，矩阵元素a[i][j] 表示j词在i类文本下的词频 tfidf_vectorizer = TfidfVectorizer(max_df=0.95, min_df=2, #max_features=n_features,                                    stop_words='english') transformer=TfidfTransformer()#该类会统计每个词语的tf-idf权值 tfidf=transformer.fit_transform(tfidf_vectorizer.fit_transform(corpus))#第一个fit_transform是计算tf-idf，第二个fit_transform是将文本转为词频矩阵 word=tfidf_vectorizer.get_feature_names()#获取词袋模型中的所有词语 weight=tfidf.toarray()#将tf-idf矩阵抽取出来，元素a[i][j]表示j词在i类文本中的tf-idf权重 f = open("C:\\Users\\hd\\Desktop\\tif.txt","w+") for i in range(len(weight)):#打印每类文本的tf-idf词语权重，第一个for遍历所有文本，第二个for便利某一类文本下的词语权重 #         print u"-------这里输出第",i,u"类文本的词语tf-idf权重------"     f.write(str(i+1)+"\t")     for j in range(len(word)):         if(weight[i][j]>0): f.write(str(j+1) + ":" + str(weight[i][j]) + " ")     f.write("\n")     print i f.close() f = open("C:\\Users\\hd\\Desktop\\dictionary.txt","w+") for i in range(len(word)):     f.write(str(i) + "\t" + word[i].encode("utf-8") + "\n") f.close()   SimMatrix = (tfidf * tfidf.T).A print SimMatrix[1,3] #"第一篇与第4篇的相似度"   numpy.savetxt("C:\\Users\\hd\\Desktop\\SimMatrix.csv", SimMatrix, delimiter=",") #保存相似度矩阵