文章相似度-VSM空间向量模型

VSM模型原理

  • 基本思路:如果两句话的用词越相似,它们的内容就应该越相似。[思路详解]
  • 实现步骤:文章分词 => TF-IDF关键词 => 合并关键词集 => 统计词频 => 词频向量 => 向量相似度 => 文章相似度。

VSM模型实现

from math import sqrt


# 合并标签集
def create_vocabulary(tag_list1, tag_list2):
    return list(set(tag_list1+tag_list2))


# 统计词频
def calc_tag_frequency(tag_list):
    tag_frequency = {}
    tag_set = set(tag_list)
    for tag in tag_set:
        tag_frequency[tag] = tag_list.count(tag)
    return tag_frequency


# 建立词频向量
def create_vector(tag_frequency, vocabulary):
    vector = []
    tag_set = tag_frequency.keys()
    for tag in vocabulary:
        if tag in tag_set:
            vector.append(tag_frequency[tag])
        else:
            vector.append(0)
    return vector


# 计算词频向量相似度
def calc_similar(vector1, vector2, tag_count):
    x = 0.0 # 分子
    y1 = 0.0 # 分母1
    y2 = 0.0 # 分母2
    tag_count = float(tag_count)
    for i in range(0, len(vector1)): # same length
        t1 = vector1[i] / tag_count
        t2 = vector2[i] / tag_count
        x = x + (t1 * t2)
        y1 += pow(t1, 2)
        y2 += pow(t2, 2)
    return x / sqrt(y1 * y2)


# VSM模型实现
def vsm(tag_list1, tag_list2):
    count = len(tag_list1) + len(tag_list2)
    vocabulary = create_vocabulary(tag_list1, tag_list2)
    vector1 = create_vector(calc_tag_frequency(tag_list1), vocabulary)
    vector2 = create_vector(calc_tag_frequency(tag_list2), vocabulary)
    similar = calc_similar(vector1, vector2, count)
    return similar


if __name__ == '__main__':
    # 1. 文章分词
    # 2. TF-IDF 提取关键词作为文章标签
    # 3. 计算VSM模型相似度
    pass
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容