TFIDF计算

Posted sunupo

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了TFIDF计算相关的知识,希望对你有一定的参考价值。

1.根据训练集语料库,计算出tfidf值

2.计算出测试语句每个词语的tfidf值(只有当测试语句的词语在训练语料库的dictionary中,测试语句的词语才会计算tfidf值)

import jieba
from gensim import corpora, similarities, models
sentances = [我爱你, 我喜欢他和他喜欢我, 他说今天空气很清新]
test_sent = 我爱你们,我喜欢他
text = [[word for word in jieba.cut(sentance)]for sentance in sentances]  # 1.把每个句子分词
dictionary  = corpora.Dictionary(text)  # 2.把每个词语建立索引,得到索引字典
print(dictionary=, dictionary)
for idx,word in dictionary.items():
    print(idx, word,end="	")
print()
corpus = [dictionary.doc2bow(word_list) for word_list in text]  # 3.对每句话的每个词语进行词频统计,得到词频统计过后的语料corpus
print("[dictionary.doc2bow(word_list) for word_list in text]")
for word_list in text:
    print(	,word_list, end="	")
    print(dictionary.doc2bow(word_list))
    
model = models.TfidfModel(corpus)  # 4. corpus输入到TFIDF模型计算,model保存着有每句话中每个词语的tfidf值
tfidf = model[corpus]  #  保存着每句话中每个词语的tfidf值
print(tfidf=,tfidf)
for ele in tfidf:  
    print(	,ele)

similarity =similarities.MatrixSimilarity(tfidf)  # 用于计算相似度,similarity的输入参数是tfidf值
print(similarity=, similarity)
for ele in similarity:
    print(	,ele)
    
test_word_list = [word for word in jieba.cut(test_sent)]
print(test_word_list=,test_word_list)
test_word_freq_count = dictionary.doc2bow(test_word_list)
print(test_word_freq_count=, test_word_freq_count)  # 因为是根据训练数据得到的dictionary,测试语句只有部分词语在训练集中
test_tfidf = model[test_word_freq_count]
print(test_tfidf=, test_tfidf)

sim = similarity[test_tfidf]  # 获得与所有句子的相似度,训练集有三个句子,所以sim的长度为3
print("sim=",sim,sim.dtype)
max_sim = max(sim)
print(max_sim=, max_sim, end=	)
max_index = list(sim).index(max_sim)
print(max_index=, max_index)
# 输出
dictionary= Dictionary(10 unique tokens: [我爱你, , , 喜欢, ]...)
0 我爱你    1 他    2 和    3 喜欢    4 我    5 今天    6 很    7 清新    8 空气    9 说    
[dictionary.doc2bow(word_list) for word_list in text]
     [我爱你]    [(0, 1)]
     [, 喜欢, , , , 喜欢, ]    [(1, 2), (2, 1), (3, 2), (4, 2)]
     [, , 今天, 空气, , 清新]    [(1, 1), (5, 1), (6, 1), (7, 1), (8, 1), (9, 1)]
tfidf= <gensim.interfaces.TransformedCorpus object at 0x000001DD8C472648>
     [(0, 1.0)]
     [(1, 0.23892106670040594), (2, 0.323679663983242), (3, 0.647359327966484), (4, 0.647359327966484)]
     [(1, 0.16284991207632715), (5, 0.44124367556640004), (6, 0.44124367556640004), (7, 0.44124367556640004), (8, 0.44124367556640004), (9, 0.44124367556640004)]
similarity= MatrixSimilarity<3 docs, 10 features>
     [1. 0. 0.]
     [0.         0.99999994 0.03890828]
     [0.         0.03890828 1.        ]
test_word_list= [, , 你们, , , 喜欢, ]
test_word_freq_count= [(1, 1), (3, 1), (4, 2)]
test_tfidf= [(1, 0.16284991207632712), (3, 0.44124367556640004), (4, 0.8824873511328001)]
sim= [0.        0.8958379 0.0265201] float32
max_sim= 0.8958379    max_index= 1

可以看到,测试语句与训练语料库中的第index=1条语句最相似.

tfidf如何表示一个句子:

加入一个句子有n个单词,每个单词计算出它的tfidf值,即每个单词用一个标量表示,则句子的维度是1*n

如果是用embedding表示法,每个单词用m维向量表示,句子的维度是m*n

 

保存和加载模型的方法:

保存词典:

dictionary.save(DICT_PATH)

保存tfidf模型:model.save(MODEL_PATH)

保存相似度

similarity.save(SIMILARITY_PATH)

 

加载词典:

dictionary = corpora.Dictionary.load(‘require_files/dictionary.dict‘)

加载模型

tfidf = models.TfidfModel.load("require_files/my_model.tfidf")

加载相似度

index=similarities.MatrixSimilarity.load(‘require_files/similarities.0‘)
————————————————
refference:https://blog.csdn.net/qq_33908388/article/details/94554309

以上是关于TFIDF计算的主要内容,如果未能解决你的问题,请参考以下文章

使用 sklearn 计算两个不同列的单独 tfidf 分数

计算tfidf,关键词抽取---python

如何用 kmeans 计算 tfidf 矩阵中解释的方差?

文本挖掘——文本特征TFIDF权重计算及文本向量空间VSM表示

fasttext 预训练句子相似度

文本挖掘——文本特征TFIDF权重计算及文本向量空间VSM表示