TFIDF计算

计算细节：参见知乎文章“sklearn-TfidfVectorizer彻底说清楚”

1.根据训练集语料库，计算出tfidf值

2.计算出测试语句每个词语的tfidf值（只有当测试语句的词语在训练语料库的dictionary中，测试语句的词语才会计算tfidf值）

import jieba
from gensim import corpora, similarities, models
sentances = ['我爱你', '我喜欢他和他喜欢我', '他说今天空气很清新']
test_sent = '我爱你们，我喜欢他'
text = [[word for word in jieba.cut(sentance)]for sentance in sentances]  # 1.把每个句子分词
dictionary  = corpora.Dictionary(text)  # 2.把每个词语建立索引，得到索引字典
print('dictionary=', dictionary)
for idx,word in dictionary.items():
    print(idx, word,end="	")
print()
corpus = [dictionary.doc2bow(word_list) for word_list in text]  # 3.对每句话的每个词语进行词频统计,得到词频统计过后的语料corpus
print("[dictionary.doc2bow(word_list) for word_list in text]")
for word_list in text:
    print('	',word_list, end="	")
    print(dictionary.doc2bow(word_list))
    
model = models.TfidfModel(corpus)  # 4. corpus输入到TFIDF模型计算，model保存着有每句话中每个词语的tfidf值
tfidf = model[corpus]  #  保存着每句话中每个词语的tfidf值
print('tfidf=',tfidf)
for ele in tfidf:  
    print('	',ele)

similarity =similarities.MatrixSimilarity(tfidf)  # 用于计算相似度,similarity的输入参数是tfidf值
print('similarity=', similarity)
for ele in similarity:
    print('	',ele)
    
test_word_list = [word for word in jieba.cut(test_sent)]
print('test_word_list=',test_word_list)
test_word_freq_count = dictionary.doc2bow(test_word_list)
print('test_word_freq_count=', test_word_freq_count)  # 因为是根据训练数据得到的dictionary，测试语句只有部分词语在训练集中
test_tfidf = model[test_word_freq_count]
print('test_tfidf=', test_tfidf)

sim = similarity[test_tfidf]  # 获得与所有句子的相似度,训练集有三个句子，所以sim的长度为3
print("sim=",sim,sim.dtype)
max_sim = max(sim)
print('max_sim=', max_sim, end='	')
max_index = list(sim).index(max_sim)
print('max_index=', max_index)

# 输出
dictionary= Dictionary(10 unique tokens: ['我爱你', '他', '和', '喜欢', '我']...)
0 我爱你    1 他    2 和    3 喜欢    4 我    5 今天    6 很    7 清新    8 空气    9 说    
[dictionary.doc2bow(word_list) for word_list in text]
     ['我爱你']    [(0, 1)]
     ['我', '喜欢', '他', '和', '他', '喜欢', '我']    [(1, 2), (2, 1), (3, 2), (4, 2)]
     ['他', '说', '今天', '空气', '很', '清新']    [(1, 1), (5, 1), (6, 1), (7, 1), (8, 1), (9, 1)]
tfidf= <gensim.interfaces.TransformedCorpus object at 0x000001DD8C472648>
     [(0, 1.0)]
     [(1, 0.23892106670040594), (2, 0.323679663983242), (3, 0.647359327966484), (4, 0.647359327966484)]
     [(1, 0.16284991207632715), (5, 0.44124367556640004), (6, 0.44124367556640004), (7, 0.44124367556640004), (8, 0.44124367556640004), (9, 0.44124367556640004)]
similarity= MatrixSimilarity<3 docs, 10 features>
     [1. 0. 0.]
     [0.         0.99999994 0.03890828]
     [0.         0.03890828 1.        ]
test_word_list= ['我', '爱', '你们', '，', '我', '喜欢', '他']
test_word_freq_count= [(1, 1), (3, 1), (4, 2)]
test_tfidf= [(1, 0.16284991207632712), (3, 0.44124367556640004), (4, 0.8824873511328001)]
sim= [0.        0.8958379 0.0265201] float32
max_sim= 0.8958379    max_index= 1

可以看到，测试语句与训练语料库中的第index=1条语句最相似.

tfidf如何表示一个句子：

加入一个句子有n个单词，每个单词计算出它的tfidf值，即每个单词用一个标量表示，则句子的维度是1*n

如果是用embedding表示法，每个单词用m维向量表示，句子的维度是m*n

保存和加载模型的方法：

保存词典：

dictionary.save(DICT_PATH)

保存tfidf模型：model.save(MODEL_PATH)

保存相似度

similarity.save(SIMILARITY_PATH)

加载词典：

dictionary = corpora.Dictionary.load('require_files/dictionary.dict')

加载模型

tfidf = models.TfidfModel.load("require_files/my_model.tfidf")

加载相似度

index=similarities.MatrixSimilarity.load('require_files/similarities.0')
————————————————
refference：https://blog.csdn.net/qq_33908388/article/details/94554309