我正在努力完成的是一个程序，该程序读取文件并根据原始句子比较每个句子。与原始句子完全匹配的句子将得到1分，而与之相反的句子将得到0分。所有其他模糊句子将得到1到0分之间的分数。
我不确定要使用哪种操作在Python 3中完成此操作。
我包括了示例文本，其中文本1是原始文本，其他前面的字符串是比较文本。
文字1：那是一个黑暗而暴风雨的夜晚。我一个人坐在红色的椅子上。我并不孤单，因为我只有三只猫。
文字20：那是一个阴暗而暴风雨的夜晚。我一个人坐在深红色的椅子上。我并不孤单，因为我有三只猫科动物//应该得分高而不是1
文字21：那是一个阴暗而狂暴的夜晚。我一个人坐在一个深红色的大教堂上。我并不孤单，因为我有三只猫科动物//分数应低于文字20
文字22：我一个人坐在一个深红色的大教堂上。我并不孤单，因为我有三只猫科动物。那是一个阴暗而暴风雨的夜晚。//分数应低于文字21，但不能低于0
文字24：那是一个黑暗而暴风雨的夜晚。我并不孤单。我没有坐在红色的椅子上。我有三只猫。//应该得分为0！
Answers:
有一个名为的软件包fuzzywuzzy。通过pip安装：
pip install fuzzywuzzy
简单用法：
>>> from fuzzywuzzy import fuzz
>>> fuzz.ratio("this is a test", "this is a test!")
96
该软件包建立在之上difflib。您问为什么不仅仅使用它？除了更简单之外，它还具有许多不同的匹配方法（例如令牌顺序不敏感，部分字符串匹配），这使其在实践中更加强大。这些process.extract功能特别有用：从集合中找到最匹配的字符串和比率。从他们的自述文件中：
偏比
>>> fuzz.partial_ratio("this is a test", "this is a test!")
100
代币分类率
>>> fuzz.ratio("fuzzy wuzzy was a bear", "wuzzy fuzzy was a bear")
90
>>> fuzz.token_sort_ratio("fuzzy wuzzy was a bear", "wuzzy fuzzy was a bear")
100
代币设定比率
>>> fuzz.token_sort_ratio("fuzzy was a bear", "fuzzy fuzzy was a bear")
84
>>> fuzz.token_set_ratio("fuzzy was a bear", "fuzzy fuzzy was a bear")
100
处理
>>> choices = ["Atlanta Falcons", "New York Jets", "New York Giants", "Dallas Cowboys"]
>>> process.extract("new york jets", choices, limit=2)
[('New York Jets', 100), ('New York Giants', 78)]
>>> process.extractOne("cowboys", choices)
("Dallas Cowboys", 90)
pip install python-Levenshtein FuzzyWuzzy使用difflib，它是标准库的一部分。为了获得更好的性能，您可以安装python-Levenshtein模块以进行上述序列匹配。pypi.org/project/python-Levenshtein
标准库中有一个模块（称为difflib），可以比较字符串并根据它们的相似性返回分数。本SequenceMatcher类应该做你所追求的。
编辑：来自python提示符的小例子：
>>> from difflib import SequenceMatcher as SM
>>> s1 = ' It was a dark and stormy night. I was all alone sitting on a red chair. I was not completely alone as I had three cats.'
>>> s2 = ' It was a murky and stormy night. I was all alone sitting on a crimson chair. I was not completely alone as I had three felines.'
>>> SM(None, s1, s2).ratio()
0.9112903225806451
HTH！
ab相反的zy吗？还是ab相反ba？等
fuzzyset索引和搜索的速度都比fuzzywuzzy（difflib）快得多。
from fuzzyset import FuzzySet
corpus = """It was a murky and stormy night. I was all alone sitting on a crimson chair. I was not completely alone as I had three felines
It was a murky and tempestuous night. I was all alone sitting on a crimson cathedra. I was not completely alone as I had three felines
I was all alone sitting on a crimson cathedra. I was not completely alone as I had three felines. It was a murky and tempestuous night.
It was a dark and stormy night. I was not alone. I was not sitting on a red chair. I had three cats."""
corpus = [line.lstrip() for line in corpus.split("\n")]
fs = FuzzySet(corpus)
query = "It was a dark and stormy night. I was all alone sitting on a red chair. I was not completely alone as I had three cats."
fs.get(query)
# [(0.873015873015873, 'It was a murky and stormy night. I was all alone sitting on a crimson chair. I was not completely alone as I had three felines')]
警告：要小心，不要混用unicode，并bytes在你的fuzzyset。
fs.get(query)[0][-1]
该任务称为复述识别，这是自然语言处理研究的活跃领域。我已经链接了一些最新的论文，您可以在GitHub上找到其中的许多开源代码。
请注意，所有回答的问题均假设两个句子之间存在某些字符串/表面相似性，而实际上两个字符串相似性很少的句子在语义上可以相似。
如果您对这种相似性感兴趣，可以使用Skip-Thoughts。根据GitHub指南安装软件，然后转到自述文件中的释义检测部分：
import skipthoughts
model = skipthoughts.load_model()
vectors = skipthoughts.encode(model, X_sentences)
这会将您的句子（X_sentences）转换为向量。稍后，您可以通过以下方式找到两个向量的相似性：
similarity = 1 - scipy.spatial.distance.cosine(vectors[0], vectors[1])
这里我们假设vector [0]和vector 1是X_sentences [0]和X_sentences 1的对应向量，您想找到它们的分数。
还有其他将句子转换为向量的模型，您可以在此处找到。
将句子转换为向量后，相似度只是找到这些向量之间的余弦相似度的问题。
2020年更新谷歌基于深度学习框架Tensorflow发布了 这种称为BERT的新模型。还有许多人发现更易于使用的实现称为“变形金刚”。这些程序的作用是接受两个短语或句子，并且能够训练他们说出这两个短语/句子是否相同。要训练它们，您需要多个带有标签1或0的句子（无论它们的含义是否相同）。您可以使用训练数据（已经标记的数据）训练这些模型，然后就可以使用训练后的模型对新的一对短语/句子进行预测。您可以在相应的github页面或诸如this的许多其他地方找到如何训练（称为微调）这些模型的方法。
也已经有英文标签的训练数据，称为MRPC（微软释义识别语料库）。注意，还存在多语言或语言特定版本的BERT，因此也可以用其他语言扩展（例如训练）该模型。
[0,1]。