gensim自然语言处理

最近在做词语的相似度做比较，就选用了gensim

首先要安装gensim库，此处省略，参看官网http://radimrehurek.com/gensim/install.html

在网上下了一些词库

{"date": "2016-05-01", "content": "京东家电  沸腾五一 买家电 上京东4.28-5.7 邯郸京东帮联动会 馆陶站   大型文艺汇演 五一会员狂欢会，凭券入场更实惠 买家电 ，上京东，突破底线  限时抢购！ 京东帮 馆陶文卫街服务店 大型文艺汇演现场 活动日期2}

import sys
import jieba
reload(sys)
sys.setdefaultencoding("utf-8")
from gensim import corpora,models,similarities
alist = []

import json

def fenci():
    for i_text in open("xaa.json"):   #读取文文件
        f_json = json.loads(i_text)
        kk = f_json["content"]
        item_str = jieba.cut(kk.encode("utf-8"),cut_all=True) #使用jieba分词
        a = " ".join(item_str)
        alist.append(a)

fenci()

class MyCorpus(object):
    def __iter__(self):
        for item_str in alist:
            yield item_str.split(' ')

Corp = MyCorpus()
dictionary = corpora.Dictionary(Corp)
corpus = [dictionary.doc2bow(text) for text in Corp]

tfidf = models.TfidfModel(corpus)

corpus_tfidf = tfidf[corpus]
def test_kk(test):
    test_cut_raw_1 = jieba.cut(test)
    doc_new = " ".join(test_cut_raw_1)
    test_corpus_1 = dictionary.doc2bow(doc_new.split())
    vec_tfidf = tfidf[test_corpus_1]

    index = similarities.MatrixSimilarity(corpus_tfidf)

    sims = index[vec_tfidf]
    similarit = list(sims)

    #print(list(enumerate(sims)))
    sims = sorted(enumerate(sims), key=lambda item: -item[1])
    print(sims)    #打印出相似度结果

def buss_mian():
    while True:
        test = raw_input("please input test:")
        test_kk(test)

if __name__ == "__main__":

    buss_mian()

欢迎指导学习交流!!!!!!!