Python：tf-idf-cosine：查找文档相似性

我正在关注第1 部分和第2 部分中可用的教程。不幸的是，作者没有时间进行最后一节，涉及使用余弦相似度实际找到两个文档之间的距离。我在stackoverflow的以下链接的帮助下关注了本文中的示例，其中包括上述链接中提到的代码（只是为了使生活更轻松）

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from nltk.corpus import stopwords
import numpy as np
import numpy.linalg as LA

train_set = ["The sky is blue.", "The sun is bright."]  # Documents
test_set = ["The sun in the sky is bright."]  # Query
stopWords = stopwords.words('english')

vectorizer = CountVectorizer(stop_words = stopWords)
#print vectorizer
transformer = TfidfTransformer()
#print transformer

trainVectorizerArray = vectorizer.fit_transform(train_set).toarray()
testVectorizerArray = vectorizer.transform(test_set).toarray()
print 'Fit Vectorizer to train set', trainVectorizerArray
print 'Transform Vectorizer to test set', testVectorizerArray

transformer.fit(trainVectorizerArray)
print
print transformer.transform(trainVectorizerArray).toarray()

transformer.fit(testVectorizerArray)
print 
tfidf = transformer.transform(testVectorizerArray)
print tfidf.todense()

由于上述代码，我有以下矩阵

Fit Vectorizer to train set [[1 0 1 0]
 [0 1 0 1]]
Transform Vectorizer to test set [[0 1 1 1]]

[[ 0.70710678  0.          0.70710678  0.        ]
 [ 0.          0.70710678  0.          0.70710678]]

[[ 0.          0.57735027  0.57735027  0.57735027]]

我不确定如何使用此输出来计算余弦相似度，我知道如何针对长度相似的两个向量实现余弦相似度，但是在这里我不确定如何识别这两个向量。

首先，如果要提取计数特征并应用TF-IDF归一化和逐行欧几里得归一化，则可以通过以下操作在一个操作中进行TfidfVectorizer：

>>> from sklearn.feature_extraction.text import TfidfVectorizer
>>> from sklearn.datasets import fetch_20newsgroups
>>> twenty = fetch_20newsgroups()

>>> tfidf = TfidfVectorizer().fit_transform(twenty.data)
>>> tfidf
<11314x130088 sparse matrix of type '<type 'numpy.float64'>'
    with 1787553 stored elements in Compressed Sparse Row format>

现在要查找一个文档（例如数据集中的第一个）和所有其他文档的余弦距离，您只需要计算第一个矢量与所有其他矢量的点积，因为tfidf矢量已经进行行归一化。

正如克里斯·克拉克（Chris Clark）在评论中所述，这里的余弦相似度未考虑向量的大小。行归一化的幅度为1，因此线性内核足以计算相似度值。

稀疏的稀疏矩阵API有点奇怪（不像密集的N维numpy数组那样灵活）。要获得第一个向量，您需要按行对矩阵进行切片，以获得具有单行的子矩阵：

>>> tfidf[0:1]
<1x130088 sparse matrix of type '<type 'numpy.float64'>'
    with 89 stored elements in Compressed Sparse Row format>

scikit-learn已经提供了成对度量（机器学习中的内核），可用于向量集合的密集表示和稀疏表示。在这种情况下，我们需要一个点积，也称为线性核：

>>> from sklearn.metrics.pairwise import linear_kernel
>>> cosine_similarities = linear_kernel(tfidf[0:1], tfidf).flatten()
>>> cosine_similarities
array([ 1.        ,  0.04405952,  0.11016969, ...,  0.04433602,
    0.04457106,  0.03293218])

因此，要查找前5个相关文档，我们可以使用argsort负数组切片（大多数相关文档的余弦相似度值最高，因此位于排序索引数组的末尾）：

>>> related_docs_indices = cosine_similarities.argsort()[:-5:-1]
>>> related_docs_indices
array([    0,   958, 10576,  3277])
>>> cosine_similarities[related_docs_indices]
array([ 1.        ,  0.54967926,  0.32902194,  0.2825788 ])

第一个结果是健全性检查：我们发现查询文档是最相似的文档，其余弦相似性得分为1，其中包含以下文本：

>>> print twenty.data[0]
From: lerxst@wam.umd.edu (where's my thing)
Subject: WHAT car is this!?
Nntp-Posting-Host: rac3.wam.umd.edu
Organization: University of Maryland, College Park
Lines: 15

 I was wondering if anyone out there could enlighten me on this car I saw
the other day. It was a 2-door sports car, looked to be from the late 60s/
early 70s. It was called a Bricklin. The doors were really small. In addition,
the front bumper was separate from the rest of the body. This is
all I know. If anyone can tellme a model name, engine specs, years
of production, where this car is made, history, or whatever info you
have on this funky looking car, please e-mail.

Thanks,
- IL
   ---- brought to you by your neighborhood Lerxst ----

第二个最相似的文档是引用原始消息的回复，因此有很多常用词：

>>> print twenty.data[958]
From: rseymour@reed.edu (Robert Seymour)
Subject: Re: WHAT car is this!?
Article-I.D.: reed.1993Apr21.032905.29286
Reply-To: rseymour@reed.edu
Organization: Reed College, Portland, OR
Lines: 26

In article <1993Apr20.174246.14375@wam.umd.edu> lerxst@wam.umd.edu (where's my
thing) writes:
>
>  I was wondering if anyone out there could enlighten me on this car I saw
> the other day. It was a 2-door sports car, looked to be from the late 60s/
> early 70s. It was called a Bricklin. The doors were really small. In
addition,
> the front bumper was separate from the rest of the body. This is
> all I know. If anyone can tellme a model name, engine specs, years
> of production, where this car is made, history, or whatever info you
> have on this funky looking car, please e-mail.

Bricklins were manufactured in the 70s with engines from Ford. They are rather
odd looking with the encased front bumper. There aren't a lot of them around,
but Hemmings (Motor News) ususally has ten or so listed. Basically, they are a
performance Ford with new styling slapped on top.

>    ---- brought to you by your neighborhood Lerxst ----

Rush fan?

--
Robert Seymour              rseymour@reed.edu
Physics and Philosophy, Reed College    (NeXTmail accepted)
Artificial Life Project         Reed College
Reed Solar Energy Project (SolTrain)    Portland, OR

通过@excray注释的帮助，我设法弄清楚答案，实际上，我们需要编写一个简单的for循环，以迭代表示火车数据和测试数据的两个数组。

首先实现一个简单的lambda函数来保存用于余弦计算的公式：

cosine_function = lambda a, b : round(np.inner(a, b)/(LA.norm(a)*LA.norm(b)), 3)

然后只需编写一个简单的for循环以遍历to向量，每个逻辑都是“对于trainVectorizerArray中的每个向量，必须在testVectorizerArray中找到与向量的余弦相似度。”

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from nltk.corpus import stopwords
import numpy as np
import numpy.linalg as LA

train_set = ["The sky is blue.", "The sun is bright."] #Documents
test_set = ["The sun in the sky is bright."] #Query
stopWords = stopwords.words('english')

vectorizer = CountVectorizer(stop_words = stopWords)
#print vectorizer
transformer = TfidfTransformer()
#print transformer

trainVectorizerArray = vectorizer.fit_transform(train_set).toarray()
testVectorizerArray = vectorizer.transform(test_set).toarray()
print 'Fit Vectorizer to train set', trainVectorizerArray
print 'Transform Vectorizer to test set', testVectorizerArray
cx = lambda a, b : round(np.inner(a, b)/(LA.norm(a)*LA.norm(b)), 3)

for vector in trainVectorizerArray:
    print vector
    for testV in testVectorizerArray:
        print testV
        cosine = cx(vector, testV)
        print cosine

transformer.fit(trainVectorizerArray)
print
print transformer.transform(trainVectorizerArray).toarray()

transformer.fit(testVectorizerArray)
print 
tfidf = transformer.transform(testVectorizerArray)
print tfidf.todense()

这是输出：

Fit Vectorizer to train set [[1 0 1 0]
 [0 1 0 1]]
Transform Vectorizer to test set [[0 1 1 1]]
[1 0 1 0]
[0 1 1 1]
0.408
[0 1 0 1]
[0 1 1 1]
0.816

[[ 0.70710678  0.          0.70710678  0.        ]
 [ 0.          0.70710678  0.          0.70710678]]

[[ 0.          0.57735027  0.57735027  0.57735027]]

我知道这是一个老帖子。但是我尝试了http://scikit-learn.sourceforge.net/stable/软件包。这是我的找到余弦相似度的代码。问题是您将如何计算该包的余弦相似度，这是我的代码

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.feature_extraction.text import TfidfVectorizer

f = open("/root/Myfolder/scoringDocuments/doc1")
doc1 = str.decode(f.read(), "UTF-8", "ignore")
f = open("/root/Myfolder/scoringDocuments/doc2")
doc2 = str.decode(f.read(), "UTF-8", "ignore")
f = open("/root/Myfolder/scoringDocuments/doc3")
doc3 = str.decode(f.read(), "UTF-8", "ignore")

train_set = ["president of India",doc1, doc2, doc3]

tfidf_vectorizer = TfidfVectorizer()
tfidf_matrix_train = tfidf_vectorizer.fit_transform(train_set)  #finds the tfidf score with normalization
print "cosine scores ==> ",cosine_similarity(tfidf_matrix_train[0:1], tfidf_matrix_train)  #here the first element of tfidf_matrix_train is matched with other three elements

这里假设查询是train_set的第一个元素，而doc1，doc2和doc3是我要借助余弦相似度进行排名的文档。然后我可以使用此代码。

问题中提供的教程也非常有用。这里是所有它的零件 部分-I ，部分II，部分III

输出将如下所示：

[[ 1.          0.07102631  0.02731343  0.06348799]]

这里的1表示查询与自身匹配，其他三个表示将查询与相应文档匹配的分数。

让我再给你一个我写的教程。它回答了您的问题，但也解释了我们为什么要做某些事情。我还尝试使其简洁。

因此，您有一个list_of_documents，它只是一个字符串数组，另一个document是一个字符串。您需要从中找到list_of_documents最类似于的文档document。

让我们将它们组合在一起： documents = list_of_documents + [document]

让我们从依赖关系开始。我们将清楚为什么要使用它们中的每一个。

from nltk.corpus import stopwords
import string
from nltk.tokenize import wordpunct_tokenize as tokenize
from nltk.stem.porter import PorterStemmer
from sklearn.feature_extraction.text import TfidfVectorizer
from scipy.spatial.distance import cosine

可以使用的一种方法是词袋方法，在这种方法中，我们将文档中的每个单词彼此独立地对待，然后将它们全部放在一起放在大袋子中。从一个角度来看，它失去了很多信息（例如单词的连接方式），但是从另一个角度来看，它使模型变得简单。

在英语和任何其他人类语言中，有很多“无用”的单词，例如“ a”，“ the”，“ in”，它们非常普遍，以至于它们没有很多含义。它们被称为停用词，删除它们是一个好主意。人们可能会注意到的另一件事是，诸如“分析”，“分析器”，“分析”之类的词确实很相似。它们具有共同的词根，并且都可以转换为一个词。这个过程称为词干，并且存在不同的词干，它们在速度，攻击性等方面有所不同。因此，我们将每个文档转换为不带停用词的词干列表。同样，我们丢弃所有标点符号。

porter = PorterStemmer()
stop_words = set(stopwords.words('english'))

modified_arr = [[porter.stem(i.lower()) for i in tokenize(d.translate(None, string.punctuation)) if i.lower() not in stop_words] for d in documents]

那么这句话将如何帮助我们呢？试想一下，我们有3个包：[a, b, c]，[a, c, a]和[b, c, d]。我们可以在基础 上将它们转换为向量[a, b, c, d]。因此，我们最终与向量：[1, 1, 1, 0]，[2, 0, 1, 0]和[0, 1, 1, 1]。我们的文档也有类似的情况（只有向量会更长）。现在我们看到我们删除了许多单词，并去除了其他单词以减小向量的维数。这里只是一个有趣的观察。较长的文档将具有更多的正元素而不是较短的元素，这就是为什么对向量进行归一化的原因。这称为术语频率TF，人们还使用了有关在其他文档中使用该词的频率的其他信息-反向文档频率IDF。我们在一起有一个度量标准TF-IDF，它具有两种风格。这可以用sklearn中的一行来实现：-)

modified_doc = [' '.join(i) for i in modified_arr] # this is only to convert our list of lists to list of strings that vectorizer uses.
tf_idf = TfidfVectorizer().fit_transform(modified_doc)

实际上，矢量化程序允许执行很多操作，例如删除停用词和小写字母。我之所以单独完成它们，只是因为sklearn没有非英语停用词，而nltk却没有。

因此，我们计算了所有向量。最后一步是找到与最后一个最相似的那个。有多种实现方法，其中一种是欧几里得距离，由于此处讨论的原因，它并不是很大。另一方法是余弦相似度。我们迭代所有文档，并计算文档与最后一个文档之间的余弦相似度：

l = len(documents) - 1
for i in xrange(l):
    minimum = (1, None)
    minimum = min((cosine(tf_idf[i].todense(), tf_idf[l + 1].todense()), i), minimum)
print minimum

现在，最小值将具有有关最佳文档及其分数的信息。

这应该对您有帮助。

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity  

tfidf_vectorizer = TfidfVectorizer()
tfidf_matrix = tfidf_vectorizer.fit_transform(train_set)
print tfidf_matrix
cosine = cosine_similarity(tfidf_matrix[length-1], tfidf_matrix)
print cosine

输出将是：

[[ 0.34949812  0.81649658  1.        ]]

这是一项功能，可将您的测试数据与训练数据进行比较，并附带装有训练数据的Tf-Idf变压器。优点是您可以快速旋转或分组以找到n个最接近的元素，并且计算是按矩阵方式进行的。

def create_tokenizer_score(new_series, train_series, tokenizer):
    """
    return the tf idf score of each possible pairs of documents
    Args:
        new_series (pd.Series): new data (To compare against train data)
        train_series (pd.Series): train data (To fit the tf-idf transformer)
    Returns:
        pd.DataFrame
    """

    train_tfidf = tokenizer.fit_transform(train_series)
    new_tfidf = tokenizer.transform(new_series)
    X = pd.DataFrame(cosine_similarity(new_tfidf, train_tfidf), columns=train_series.index)
    X['ix_new'] = new_series.index
    score = pd.melt(
        X,
        id_vars='ix_new',
        var_name='ix_train',
        value_name='score'
    )
    return score

train_set = pd.Series(["The sky is blue.", "The sun is bright."])
test_set = pd.Series(["The sun in the sky is bright."])
tokenizer = TfidfVectorizer() # initiate here your own tokenizer (TfidfVectorizer, CountVectorizer, with stopwords...)
score = create_tokenizer_score(train_series=train_set, new_series=test_set, tokenizer=tokenizer)
score

   ix_new   ix_train    score
0   0       0       0.617034
1   0       1       0.862012