gensim之使用稀疏矩阵相似度,判断输入的文字意图
对机器人语音输入指令的时候, 说,我想听'祖国祖国我们爱你', 必须说全才能播放, 如果说'祖国我爱你'就想播放音乐是不可能的,但是这两句话的意图是一样的,这里就要用到对文字意图的处理.
import jieba import gensim from gensim import corpora from gensim import models from gensim import similarities l1 = ["祖国祖国我们爱你", "你今年几岁了", "你有多高你胸多大", "你胸多大"] # 语料库 a = "祖国我爱你" all_doc_list = [] for doc in l1: doc_list = list(jieba.cut_for_search(doc)) all_doc_list.append(doc_list) print(all_doc_list) doc_test_list = list(jieba.cut_for_search(a)) # 制作语料库 # [['你', '的', '名字', '是', '什么'], ['你', '今年', '几岁', '了'], # ['你', '有', '多', '高', '你', '胸多大'], ['你', '胸多大']] # {"你":1,"的":2,"名字":3} dictionary = corpora.Dictionary(all_doc_list) # 制作词袋 # {'什么': 0, '你': 1, '名字': 2, '是': 3, '的': 4, '了': 5, # '今年': 6, '几岁': 7, '多': 8, '有': 9, '胸多大': 10, '高': 11} # 词袋的理解 # 词袋就是将很多很多的词,进行排列形成一个 词(key) 与一个 标志位(value) 的字典 # 例如: {'什么': 0, '你': 1, '名字': 2, '是': 3, '的': 4, '了': 5, '今年': 6, '几岁': 7, '多': 8, '有': 9, '胸多大': 10, '高': 11} # 至于它是做什么用的,带着问题往下看 print("token2id", dictionary.token2id) print("dictionary", dictionary, type(dictionary)) corpus = [dictionary.doc2bow(doc) for doc in all_doc_list] # [14230 1675] # "你,今年,多,大,了" 1,6,8,5 # [['你', '的', '名字', '是', '什么'], ['你', '今年', '几岁', '了'], # ['你', '有', '多', '高', '你', '胸多大'], ['你', '胸多大']] # 语料库: # 这里是将all_doc_list 中的每一个列表中的词语 与 dictionary 中的Key进行匹配 # 得到一个匹配后的结果,例如['你', '今年', '几岁', '了'] # 就可以得到 [(1, 1), (5, 1), (6, 1), (7, 1)] # 1代表的的是 你 1代表出现一次, 5代表的是 了 1代表出现了一次, 以此类推 6 = 今年 , 7 = 几岁 print("corpus", corpus, type(corpus)) # 将需要寻找相似度的分词列表 做成 语料库 doc_test_vec doc_test_vec = dictionary.doc2bow(doc_test_list) # doc_test_vec "你,今年,多,大,了" 1,6,8,5 print("doc_test_vec", doc_test_vec, type(doc_test_vec)) # corpus [14230,1675] 语料库 l1 # doc_test_vec 1685 用户问题 a # 将corpus语料库(初识语料库) 使用Lsi模型进行训练 lsi = models.LsiModel(corpus) # 向量 # corpus = [[(0, 1), (1, 1), (2, 1), (3, 1), (4, 1)], [(1, 1), (5, 1), (6, 1), (7, 1)], [(1, 2), (8, 1), (9, 1), (10, 1), (11, 1)], [(1, 1), (10, 1)]] # 这里的只是需要学习Lsi模型来了解的,这里不做阐述 print("lsi", lsi, type(lsi)) # 语料库corpus的训练结果 print("lsi[corpus]", lsi[corpus]) # 获得语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示 print("lsi[doc_test_vec]", lsi[doc_test_vec]) # 向量 : # 位置表示 [(0, 1), (1, 1), (2, 1), (3, 1), (4, 1)] = 834473503 # [(1, 1), (5, 1), (6, 1)] = 987527163817476541 # 矩阵 # [(5,5),(6,6),(7,3),(5,6),(7,8),(4,4)] # (7,7) # 1,边长+-1 ==7 100 -+1 = -30 [40,40],[70,70],[100,-20],[40,70],[100,70],[10,10] # 2,正方形 +-1 ==正 100 -+1 = -30 100,100,-20,70,70,100 # 3,边长小于 +-1 == 100 -+1 = -30 [70,70],[100,100],[0,40],[],[0,0] # 4,加权求和 = 180,240,60,180,240,120 # 文本相似度 # 稀疏矩阵相似度 将 主 语料库corpus的训练结果 作为初始值 # 0 1 0 1 1 # 0 0 1 1 1 # 0 1 0 1 1 # 0 0 1 1 1 # 0 1 0 1 1 index = similarities.SparseMatrixSimilarity(lsi[corpus], num_features=len(dictionary.keys())) print("index", index, type(index)) # 将 语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示 与 语料库corpus的 向量表示 做矩阵相似度计算 sim = index[lsi[doc_test_vec]] print("sim", sim, type(sim)) # 对下标和相似度结果进行一个排序,拿出相似度最高的结果 # cc = sorted(enumerate(sim), key=lambda item: item[1],reverse=True) cc = sorted(enumerate(sim), key=lambda item: -item[1]) print(cc) text = l1[cc[0][0]] print(a,text)
使用gensim模块,运用稀疏矩阵相似度算法,判断输入的指令和音乐名称的相似度
from settings import MONGODB import jieba import gensim from gensim import corpora from gensim import models from gensim import similarities l1 = content_list = list(MONGODB.content.find({})) all_doc_list = [] for doc in l1: doc_list = list(jieba.cut_for_search(doc.get("title"))) all_doc_list.append(doc_list) dictionary = corpora.Dictionary(all_doc_list) # 制作词袋 corpus = [dictionary.doc2bow(doc) for doc in all_doc_list] lsi = models.LsiModel(corpus) # 向量 index = similarities.SparseMatrixSimilarity(lsi[corpus], num_features=len(dictionary.keys())) def my_sim(a): doc_test_list = list(jieba.cut_for_search(a)) doc_test_vec = dictionary.doc2bow(doc_test_list) # doc_test_vec "你,今年,多,大,了" 1,6,8,5 sim = index[lsi[doc_test_vec]] cc = sorted(enumerate(sim), key=lambda item: -item[1]) print(cc[0][1]) if cc[0][1] >= 0.75: text = l1[cc[0][0]] return text