布尔检索模型简单实现

把每篇文章看作一个向量,向量每个维度代表有没有对应的词汇(0或1,不是词汇出现次数),检索的时候只需要做布尔运算。

0、需要找一些文档

1、构建词表:
词表处理部分只是简单地做了下,每个单词对应其二进制的第几位

def build_word_to_index_dict():
    index = 0
    word_to_index_dict = {}

    with open('./data/bytecup.corpus.validation_set.txt', "r", encoding='utf-8') as f:
        for line in f.readlines():
            content_id_title = json.loads(line)
            content = content_id_title['content'].lower()
            # id = content_id_title['id']
            # title = content_id_title['title'].lower()

            words = content.split()
            for word in words:
                for punct in english_punctuations:

                    # 去掉收尾的标点符号
                    while word.startswith(punct):
                        word = word.strip(punct)

                    while word.endswith(punct):
                        word = word.strip(punct)

                if word in english_punctuations or word in word_to_index_dict:
                    continue

                word_to_index_dict[word] = index
                index += 1

        with open('./dict.txt', "w", encoding='utf-8') as f:
            f.write(str(word_to_index_dict))

    return word_to_index_dict

2、根据词表创建向量
用到了库bitarray
from bitarray import bitarray

def creat_vector(words,word_to_index_dict):
    num_words = len(word_to_index_dict)

    vector = bitarray(num_words)
    vector.setall(False)

    for word in words:
        if word in word_to_index_dict:
            index = word_to_index_dict[word]
            vector[index] = True

    return vector

3、全部待检索文档映射到向量
每篇文章有个id,用id来索引文档向量,构建成一个字典

def creat_id_to_vector_dict(word_to_index_dict):
    id_to_vector = {}

    with open('./data/bytecup.corpus.validation_set.txt', "r", encoding='utf-8') as f:
        for line in f.readlines():
            content_id_title = json.loads(line)
            content = content_id_title['content'].lower()
            id = content_id_title['id']
            # title = content_id_title['title'].lower()

            words = content.split()
            vector = creat_vector(words,word_to_index_dict)

            id_to_vector[id] = vector

    with open('./id_to_vector_dict.txt', "w", encoding='utf-8') as f:
        f.write(str(id_to_vector))

    return id_to_vector

4、文档id映射到文档内容
因为向量运算后只有文档的id,需要获取到内容,所以要这个字典。

def build_id_to_doc_dict():
    id_to_doc_dict = {}

    with open('./data/bytecup.corpus.validation_set.txt', "r", encoding='utf-8') as f:
        for line in f.readlines():
            content_id_title = json.loads(line)
            content = content_id_title['content'].lower()
            id = content_id_title['id']

            id_to_doc_dict[id] = content

    return id_to_doc_dict

5、最后工作
准备工作:构建词表、构建文章向量字典
main里面首先将建立id_to_doc字典,读取上面两个字典,等待用户输入后,切分成几个单词,构建向量,然后对和所有文章向量进行运算,判断结果即可输出。

def main():
    id_to_doc = build_id_to_doc_dict()

    with open('./dict.txt', "r", encoding='utf-8') as f:
        word_to_index_dict = eval(f.read())

    # creat_id_to_vector_dict(word_to_index_dict)

    with open('./id_to_vector_dict.txt', "r", encoding='utf-8') as f:
        id_to_vector_dict = eval(f.read())

    zeros_vector = creat_vector([],word_to_index_dict)

    while True:
        i = 0
        search_str = input("please input the words you want to research:")
        # search_str = "when"
        words = search_str.split()
        search_vector = creat_vector(words,word_to_index_dict)

        if search_vector == zeros_vector:
            continue

        for id,doc_vector in id_to_vector_dict.items():
            if i >= 3:
                break

            ret = search_vector & doc_vector
            if ret == search_vector:
                print(id_to_doc[id])
                print('='*400)
                i += 1
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,128评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,316评论 3 388
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,737评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,283评论 1 287
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,384评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,458评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,467评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,251评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,688评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,980评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,155评论 1 342
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,818评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,492评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,142评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,382评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,020评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,044评论 2 352