NLP python 处理常用相似度计算

最新推荐文章于 2025-08-14 11:22:12 发布

原创最新推荐文章于 2025-08-14 11:22:12 发布 · 228 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #自然语言处理 #开发语言

该代码实现了一个基于TF-IDF的文本相似度计算函数`tf_similarity`，用于比较两个字符串的相似度。在`tf_new_similarity`函数中，该方法被应用到一个实体列表和问题上，找出与问题相似度高于阈值的实体。示例中，朝阳区开心商店与开心小卖部(朝阳区店)进行了比较。

NLP 处理常用相似度计算

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from scipy.linalg import norm
import numpy as np


def tf_similarity(s1, s2):
    def add_space(s):
        return ' '.join(list(s))

    # 将字中间加入空格
    s1, s2 = add_space(s1), add_space(s2)
    # 转化为TF矩阵
    cv = CountVectorizer(tokenizer=lambda s: s.split())
    corpus = [s1, s2]
    vectors = cv.fit_transform(corpus).toarray()
    # 计算TF系数
    return np.dot(vectors[0], vectors[1]) / (norm(vectors[0]) * norm(vectors[1]))


def tf_new_similarity(entity_list, question):
    result_list = []
    similarty_list = []
    for name in entity_list:
        result_score = tf_similarity(question, name)
        result_list.append([result_score, name])
    column = ['score', 'name']
    new_df = pd.DataFrame(result_list, columns=column)
    new_df = new_df.sort_values(by=['score'], ascending=False)
    print(new_df)
    for index, row in new_df.iterrows():
        #分数阈值可以调优
        new_rws = [row[col] for col in column if row['score'] >= 0.1]
        if len(new_rws) == 2:
            similarty_list.append(new_rws[1])
    return similarty_list


if __name__ == '__main__':
    print(tf_new_similarity(['朝阳区开心商店'], '开心小卖部（朝阳区店）'))