句子相似度及R语言实现
本次不讲原理，单纯用R语言计算句子相似度。
方式一：机械相似性
两个文本内容上的相关程度，比如“你好吗”和“你好”的相似性，纯粹代表着内容上字符是否完全共现。——基于Jaccard相似系数计算句子相似度
Jaccard 系数指：句子A的分词词语与句子B的分词词语交集的大小与句子A的分词词语与句子B的分词词语并集的大小的比值。有点拗口，其实就是两个句子的分词词语的交集比并集。
【图片来源：百度百科】
R语言：基于textreuse包： 由于 数据保密 性 ，所以部分内容打码了。
代码解析：tokenize_words()是一个分词的函数。
jaccard_similarity()计算两组词语的相似度。从相似度结果上看，x与y都是谈论到母亲生病住院，z也讲到住院，但并不是母亲生病住院。且x与z、y与z的相似度不应该是相等的，应该是y与z的相似度要高于x与z的相似度，因为x的重点有两个，一是母亲生病住院，二是情绪低落，y的重点仅是母亲住院，z也是与住院有关，但不是母亲住院。所以xz、yz两者的相似值间会很近，但我认为y与z的相似度应该高一点 (个人观点)。
library(textreuse)#比较文本相似度dir "C:/Users/yuan/Documents/test" #基于tm包建立语料库corpus"Civil procedure"),tokenizer=tokenize_ngrams, n=comparisons#将该矩阵转换成对的数据帧pairwise_candidates(comparisons)#比较句子相似度x "句子1"))y "句子2"))z "句子3"))jaccard_similarity(x , y) ##相似程度jaccard_similarity(x , z) jaccard_similarity(y , z)
补充：进行文本相似度计算时，保证文本里面要大于两行，否则会报错的。 (我也不清楚为什么)若想比较句子或词语差异性可采用jaccard_dissimilarity函数。若想比较文章间相似度，最好是将文件保存为同一类型， 不要一个txt文件 ,一个 word文件或其他文件。
方式二：基于词向量余弦值相似度
基于word2vec模型训练词向量，再计算句子余弦值作为句子相似度。当然，如果仅是为了学习的可以直接使用别人训练好的词向量，若用于某领域的，可以找找该方向的词向量，或者自己训练吧！word2vec有两种模型。CBOW (Continuous Bag-Of-Words,即连续的词袋模型)和Skip-Gram。通过word2vec训练词向量，可以把对文本内容的处理简化为K维向量空间中的向量运算,再基于向量空间上的相似度可以用来表示文本语义上的相似度。同时，对于word2vec训练出来的词向量也可以用来做其他的分析，比如：聚类、近似词等。由于不讲原理，所以想了解word2vec实现原理的自行去百度了解。
前面也说了数据保密性，所以就不展示数据结构了。大概讲一下我的数据！存在ecxel表中，每一行就是一个句子。
#释放内存rm(list = ls())gc()#加载所需的组件包library(readxl) #导入数据library(jiebaR) #分词library(tmcn.word2vec) #word2vec模型library(wordVectors) #word2vec模型：与tmcn.word2vec一样的，功能上比其多一点。library(dplyr) #管道操作#读取数据yq_datas #将句子转为因子形式。docs as.character(sapply(yq_datas$`YQMS(狱情描述)`, str_replace_all, #启动分词器，进行分词wk vector #worker启动器参数说明#type：默认使用混合法的返回类型:mix(混合模型),mp(最大概率),hmm(隐式马科夫模型),query(索引),tag(词性标注),simhash(距离：求相似),keywords(关键词)；#dict：指定主词典的路径(使用默认，在jiebaRD包中dict文件的jieba.dict.utf8文件)；#hmm：指定隐马尔科夫模式的路径(使用默认即可，也同目录下的hmm_model.utf8文件)；#user：可以路径的方式自定义属于用户自己的字典(可以自己指定路径，也可以修改同目录下的user.dict.utf8文件)；#idf：指定逆文档频次的路径(同目录下idf.utf8文件，一般是用于计算相似度和关键词的)；#stop_word：指定停止词的路径(也可以自己指定路径，也可以修改同目录下的stop_words.utf8文件(用了很多次感觉该文件时好时坏的，建议自己指定吧！))；#topn：指定提取文档关键词的个数；#encoding：指定输入文件的编码；#lines：指定最大的读取行数(文件太大了可以根据这个分段进行分词)；#bylines:是否按行分词，就是按行返回结果；其他的参数可以参考worker函数。#保存分词数据：将列表转向量导入文件，再进行导入空值进行换行，再继续第二轮操作。con "C:/Users/yuan/Documents/R/win-library/3.6/tmcn.word2vec/examples/new_vector.txt",open=for(i in 1:length(vector)){ vect % unlist() write.table(vect,file = con,quote = FALSE,eol = " ",row.names = FALSE,col.names = FALSE) nul "" write.table(nul,file = con,quote = FALSE,eol = "\n",row.names = FALSE,col.names = FALSE)}close(con)#基于word2vec模型训练词向量化model = train_word2vec(system.file("examples", "new_vector.txt", package = "tmcn.word2vec"),vectors = 500,min_count = 2)model[["医院"]]#train_word2vec函数参数说明：#train_file:已经分好词的txt文件路径(词语之间由空格隔开)，是一个训练数据文件。#output_file：word2vec模型训练好的词向量存储文件地址。#vectors:输出的向量维数，默认是100个，也可以设置大一点，太大了内存消耗大，处理速率低。#threads:训练模型用的线程数，默认是1，也可以通过parallel包的detectCores()函数查看当前电脑可用核数，然后选择跑几个线程。#classes:对词语聚类的个数，默认是0，采用K均值进行聚类。#window：表示当前词与预测词在一个句子中的最大距离是多少。#cbow ：word2vec训练模型选择，1是CBOW加层次的网络结构(连续词袋模型),0(默认)是Skip-gram模型,具体是如何实现的可以查看相关资料。#min_count：可以对字典做截断,把词频少于min_count次数的词语丢弃, 默认值为5。#iter：迭代次数，默认为5。#force:是不是要覆盖原有的模型。其他参数查看word2vec函数#计算句子相似度vector_similarity function(x,y){ wk_vec #启动分词器 sentence_vector function(vec) #查找对应词的词向量，不存在的词设其值为0{ words #对传入的形参分词 sum_word_vec 0 for(i in 1:length(words)) #计算句子总词向量 { word if(word %in% row.names(model)) word_vecelse word_vec 0 sum_word_vec } sum_word_vec #计算句子均值词向量 return(sum_word_vec) } vecx vecy #cos cos return(cos)}vector_similarity(x,y)vector_similarity(x,z)vector_similarity(y,z)
其结果和我设想是一致的，y与z的相似度要大于x与z的相似度。步骤：1、导入数据；2、使用jiebaR包分词(采用默认参数)，需要注意设置参数：bylines = T，否则它不会按行返回结果；3、将分词保存后传给word2vec模型训练词向量；4、基于词向量计算句子的总词向量；5、计算两组句子总词向量的余弦值作为句子的相似度。
注：
1、关于分词后的list结构数据保存到txt文件的方法：1：打开txt文件；2、将列表的第一个元素转为向量形式；3、将向量形式的分词写入文件中，再写入换行符；4、再将列表的第二个元素转为向量写入文件，以此类推；5、关闭文件。如果你们有什么好的方法或者函数可以告诉一下我。
2、train_word2vec函数训练词向量，输入文件必须是放在tmcn.word2vec包中的examples文件夹，放在其他位置都无法读取到，不清楚是电脑拦截了，还是其他的原因。若知道原因的，可以告诉我，非常感谢！
3、全部函数基本都是使用默认参数，后期优化可以从参数入手了，词语权重等等，最后本人不擅长自然语言处理方向的分析，若在分析过程中有错误的欢迎指正！
————————————————
版权声明：本文为CSDN博主「weixin_39860919」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_39860919/article/details/112413273
