http://www.cnblogs.com/DragonFire/p/9220523.html -- jieba gensim 最好别分家之最简单的相似度实现
#
短文本相似度 - 大于 0.58就认为是相似的 实例化的NLP 接口百度的 #百度AI配置 from aip import AipSpeech from aip import AipNlp APP_ID = '15837844' API_KEY = '411VNGbuZVbDNZU78LqTzfsV' SECRET_KEY = '84AnwR2NARGMqnC6WFnzqQL9WWdWh5bW' SPEECH = AipSpeech(APP_ID, API_KEY, SECRET_KEY) NLP = AipNlp(APP_ID, API_KEY, SECRET_KEY) VOICE = { 'vol': 5, 'per': 4, 'spd': 4, 'pit': 7, } res = NLP.simnet('我想哈巴狗', "我想听小哈巴狗") #相似度评分
print(res['score]) #打印分数
开多线程+百度QPS增加
开多线程+多个百度自然语言处理客户端
自己做自然语言处理 - 文本相似度
#
第一个是将中文字符串进行分词的库叫 jieba
pip install jieba
#简单使用 import jieba a = "我想听祖国祖国我们爱你" b = "我想听祖国我爱你" jieba.add_word("我想听") #添加词 jieba.add_word("请播放") jieba.add_word("我要听") # res = list(jieba.cut(a)) # res = list(jieba.cut(a)) res_search = list(jieba.cut_for_search(a)) res = list(jieba.cut_for_search(b)) #模糊匹配 print(res) print(res_search)
# 语言训练库叫 gensim 这个训练库很厉害, 里面封装很多机器学习的算法, 是目前人工智能的主流应用库,这个不是很好理解, 需要一定的Python数据处理的功底 import jieba import gensim from gensim import corpora from gensim import models from gensim import similarities l1 = ["你的名字是什么", "你今年几岁了", "你有多高你胸多大", "你胸多大"] a = "你今年多大了" all_doc_list = [] for doc in l1: # doc = "你的名字是什么" doc_list = [word for word in jieba.cut_for_search(doc)] all_doc_list.append(doc_list) # all_doc_list = [['你', '的', '名字', '是', '什么'], ['你', '今年', '几岁', '了'], ['你', '有', '多', '高', '你', '胸多大'], ['你', '胸多大']] print(all_doc_list) doc_test_list = [word for word in jieba.cut_for_search(a)] # doc_test_list = [你，今年，多，大，了] # 制作语料库 dictionary = corpora.Dictionary(all_doc_list) # 制作词袋 not 磁带 #{'你':1,"的":2,"名字":3} # 词袋的理解 # 词袋就是将很多很多的词,进行排列形成一个 词(key) 与一个 标志位(value) 的字典 # 例如: {'什么': 0, '你': 1, '名字': 2, '是': 3, '的': 4, '了': 5, '今年': 6, '几岁': 7, '多': 8, '有': 9, '胸多大': 10, '高': 11} # 至于它是做什么用的,带着问题往下看 # dictionary 词袋 # dictionary = {'什么': 0, '你': 1, '名字': 2, '是': 3, '的': 4, '了': 5, '今年': 6, '几岁': 7, '多': 8, '有': 9, '胸多大': 10, '高': 11} print("token2id", dictionary.token2id) print("dictionary", dictionary, type(dictionary)) corpus = [dictionary.doc2bow(doc) for doc in all_doc_list] # doc = ['你', '的', '名字', '是', '什么'] ['你', '今年', '几岁', '了'] # doc2bow(doc) -- 14230 -- 1675 # corpus = [14230,1675] # 语料库: # 这里是将all_doc_list 中的每一个列表中的词语 与 dictionary 中的Key进行匹配 # 得到一个匹配后的结果,例如['你', '今年', '几岁', '了'] # 就可以得到 [(1, 1), (5, 1), (6, 1), (7, 1)] # 1代表的的是 你 1代表出现一次, 5代表的是 了 1代表出现了一次, 以此类推 6 = 今年 , 7 = 几岁 print("corpus", corpus, type(corpus)) # 将需要寻找相似度的分词列表 做成 语料库 doc_test_vec doc_test_vec = dictionary.doc2bow(doc_test_list) # [你，今年，多，大，了] - 1685 # doc = ['你', '的', '名字', '是', '什么'] ['你', '今年', '几岁', '了'] # doc2bow(doc) -- 14230 -- 1675 # [(0, 1), (1, 1), (2, 1), (3, 1), (4, 1)] # [(1, 2), (8, 1), (9, 1), (10, 1), (11, 1)] # 你有多高你胸多大 print("doc_test_vec", doc_test_vec, type(doc_test_vec)) # 将corpus语料库(初识语料库) 使用Lsi模型进行训练 lsi = models.LsiModel(corpus) # (6,6) #[(5,5),(3,3),(6,7),(7,9),(4,5)] # 条件 正方形 #[100,100,0,0,0] # 条件 正方形 80 边长+-1 20 #[100,98,20,16,18] # 条件 矩形 20 边长+-1 20 长宽 +-1 20 正矩形 40 #[40+20+18+20,40+20+16+20,0+18+19+20] #[98,96,57] # 这里的只是需要学习Lsi模型来了解的,这里不做阐述 print("lsi", lsi, type(lsi)) # 语料库corpus的训练结果 print("lsi[corpus]", lsi[corpus]) # 获得语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示 print("lsi[doc_test_vec]", lsi[doc_test_vec]) # 文本相似度 # 稀疏矩阵相似度 将 主 语料库corpus的训练结果 作为初始值 index = similarities.SparseMatrixSimilarity(lsi[corpus], num_features=len(dictionary.keys())) print("index", index, type(index)) # 将 语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示 与 语料库corpus的 向量表示 做矩阵相似度计算 # lsi[doc_test_vec] 用户输入 通过lsi模型转换出来的 向量表示(数字) sim = index[lsi[doc_test_vec]] print("sim", sim, type(sim)) # 对下标和相似度结果进行一个排序,拿出相似度最高的结果 # cc = sorted(enumerate(sim), key=lambda item: item[1],reverse=True) cc = sorted(enumerate(sim), key=lambda item: -item[1]) print(cc) text = l1[cc[0][0]] print(a,text)