环境
Python3，
gensim，jieba，numpy ，pandas
原理：文章转成向量，然后在计算两个向量的余弦值。
Gensim
gensim是一个python的自然语言处理库，能够将文档根据TF-IDF, LDA, LSI 等模型转化成向量模式，gensim还实现了word2vec功能，以便进行进一步的处理。
具体API看官网：https://radimrehurek.com/gensim
-
中文分词
中文需要分词，英文就不需要了，分词用的 jieba 。
def segment(doc: str):
"""中文分词Arguments: doc {str} -- 输入文本 Returns: [type] -- [description] """ # 停用词 stop_words = pd.read_csv("./data/stopwords_TUH.txt", index_col=False, quoting=3, names=[\'stopword\'], sep="\\n", encoding=\'utf-8\') stop_words = list(stop_words.stopword) # 去掉html标签数字等 reg_html = re.compile(r\'<[^>]+>\', re.S) doc = reg_html.sub(\'\', doc) doc = re.sub(\'[０-９]\', \'\', doc) doc = re.sub(\'\\s\', \'\', doc) word_list = list(jieba.cut(doc)) out_str = \'\' for word in word_list: if word not in stop_words: out_str += word out_str += \' \' segments = out_str.split(sep=" ") return segments -
训练 Doc2Vec 模型
模型参数下面说明，先上代码
def train():
"""训练 Doc2Vec 模型
"""# 先把所有文档的路径存进一个 array中，docLabels： data_dir = "./data/corpus_words" docLabels = [f for f in listdir(data_dir) if f.endswith(\'.txt\')] data = [] for doc in docLabels: ws = open(data_dir + "/" + doc, \'r\', encoding=\'UTF-8\').read() data.append(ws) print(len(data)) # 训练 Doc2Vec，并保存模型： sentences = LabeledLineSentence(data, docLabels) # 实例化一个模型 model = gensim.models.Doc2Vec(vector_size=256, window=10, min_count=5, workers=4, alpha=0.025, min_alpha=0.025, epochs=12) model.build_vocab(sentences) print("开始训练...") # 训练模型 model.train(sentences, total_examples=model.corpus_count, epochs=12) model.save("./models/doc2vec.model") print("model saved")保存成功后会有三个文件，分别是：doc2vec.model，doc2vec.model.trainables.syn1neg.npy，doc2vec.model.wv.vectors.npy
Doc2Vec参数说明：
· vector_size：是指特征向量的维度，默认为100。大的size需要更多的训练数据,但是效果会更好.
· window：表示当前词与预测词在一个句子中的最大距离是多少
· alpha: 是学习速率
· min_count: 可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5
· workers参数控制训练的并行数。
· epochs： 迭代次数，默认为5 -
文本转换成向量
利用之前保存的模型，把分词后的分本转成向量，代码如下
def sent2vec(model, words):
"""文本转换成向量Arguments: model {[type]} -- Doc2Vec 模型 words {[type]} -- 分词后的文本 Returns: [type] -- 向量数组 """ vect_list = [] for w in words: try: vect_list.append(model.wv[w]) except: continue vect_list = np.array(vect_list) vect = vect_list.sum(axis=0) return vect / np.sqrt((vect ** 2).sum()) -
计算两个向量余弦值
余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦相似度将向量根据坐标值，绘制到向量空间中，如最常见的二维空间。
余弦值的范围在[-1,1]之间，值越趋近于1，代表两个向量的方向越接近；越趋近于-1，他们的方向越相反；接近于0，表示两个向量近乎于正交。
最常见的应用就是计算文本相似度。将两个文本根据他们词，建立两个向量，计算这两个向量的余弦值，就可以知道两个文本在统计学方法中他们的相似度情况。实践证明，这是一个非常有效的方法。公式：
def similarity(a_vect, b_vect):
"""计算两个向量余弦值Arguments: a_vect {[type]} -- a 向量 b_vect {[type]} -- b 向量 Returns: [type] -- [description] """ dot_val = 0.0 a_norm = 0.0 b_norm = 0.0 cos = None for a, b in zip(a_vect, b_vect): dot_val += a*b a_norm += a**2 b_norm += b**2 if a_norm == 0.0 or b_norm == 0.0: cos = -1 else: cos = dot_val / ((a_norm*b_norm)**0.5) return cos -
预测
def test_model():
print("load model")
model = gensim.models.Doc2Vec.load(\'./models/doc2vec.model\')st1 = open(\'./data/courpus_test/t1.txt\', \'r\', encoding=\'UTF-8\').read() st2 = open(\'./data/courpus_test/t2.txt\', \'r\', encoding=\'UTF-8\').read() # 分词 print("segment") st1 = segment(st1) st2 = segment(st2) # 转成句子向量 vect1 = sent2vec(model, st1) vect2 = sent2vec(model, st2) # 查看变量占用空间大小 import sys print(sys.getsizeof(vect1)) print(sys.getsizeof(vect2)) cos = similarity(vect1, vect2) print("相似度：{:.4f}".format(cos))看下效果：
完全相同的文章
不相同的文章
数据太大，没有上传，自己网上找找应该有很多。
完整代码：https://github.com/jarvisqi/nlp_learning/blob/master/gensim/doc2vector.py
参考：