算法bug修复

问题一：

16
0
length:4
length:4
length:4
length:4
29
0
length:2
length:2
16
0
length:5
length:5
length:5
length:5
length:5
38
本来非零元素应该为5*8为40个，可是因为一句话中的相似词，会出现重复，所以可能出现前一个词的相似度和相似词，被后一个词所覆盖

会导致出来的准确率不够准，

也会导致

为此，我们可能要引入word2vec里词的判断，只加入相似度大于某一个阈值的词。然而，这样的话，对于长短句子，怎么进行公平的比较？

【可能我们topn 要测试一下取大一点了】

topn设大有助于让我们更倾向于出现相同词，而不是相似词

可能要做一个相同词的匹配，如果出现相同词，这个相同词要加在最后再进行word2vec词相似度的写入，这样才不会被其他词所覆盖

又或者，我们在相似度赋值的时候，使用相加的方式？

比如  但是 有一个相似词 但，相似度是0.8，

然后  可是 有一个相似词 但，相似度是0.7，我们对于对于这个词的赋值，使用叠加1.5？好像也怪怪的。

我觉得应该对于重复的词，我们取完全一样的相似度分布

比如两个句子都出现但是，那么我们对 但是，取一模一样的词分布（可以把重复的词放在末尾进行赋值）

对于两个不同的词，他们有相同的相似词呢？取相似度大的吧？这样的话，如果出现了这个词，则也对近义词理解有帮助

对了，对于basesimilarity，我们应该取vec的非零值的个数，而不是用词数相乘，而且这样的话不用传topn,只要传入vec或者leng(vec nonzero)就好，

这样会更准确，

对了，我把所有相似度的分布，画成图，然后问一下大家怎么做归一化

改进的话，是不是可以把设置的权重调低？

考虑一下只是图谱如何弄

====================

今天出现了一个算法bug

微信提示收到多少钱
['微信', '收到', '提示', '多少钱']
0.31954264640808105
{'confidence': 0.3207103750440659, 'answer': "(匹配)：微信提示收到多少钱('微信', '收到', '提示', '多少钱') (标准)：微信提示收到多少钱"}
{'confidence': 0.1334743309275807, 'answer': "(匹配)：终身版的多少钱('多少钱', '终身版') (标准)：这个收银系统怎么收费？"}
{'confidence': 0.13280269790244556, 'answer': "(匹配)：可以通过微信个人收款码？('微信', '收款码') (标准)：可以通过微信个人收款码？"}
{'confidence': 0.13262952072991352, 'answer': "(匹配)：银豹有微信拉粉吗？('微信', '拉粉') (标准)：银豹有微信拉粉吗？"}
{'confidence': 0.1312973178102419, 'answer': "(匹配)：有没有微信商户版的？('微信', '商户') (标准)：有没有微信商户版的？"}
{'confidence': 0.13003625241844238, 'answer': "(匹配)：微信怎么绑？('微信', '绑') (标准)：微信怎么绑？"}
{'confidence': 0.13003625241844238, 'answer': "(匹配)：微信里怎么看到银豹后台？('微信', '后台') (标准)：微信里怎么看到银豹后台？"}
{'confidence': 0.13003625241844238, 'answer': "(匹配)：你们只支持微信吗？('微信', '支持') (标准)：你们支持微信和支付宝吗？"}
{'confidence': 0.1296702929762439, 'answer': "(匹配)：漏单没有提示的吗？('漏单', '提示') (标准)：系统能查看漏单或提示漏单吗？"}
{'confidence': 0.12954782946680146, 'answer': "(匹配)：刷卡器多少钱？('刷卡器', '多少钱') (标准)：刷卡器多少钱？"}

微信提示收到多少钱
['微信', '收到', '提示', '多少钱']
0.3296504020690918
{'confidence': 1.0, 'answer': "(匹配)：微信提示收到多少钱('微信', '收到', '提示', '多少钱') (标准)：微信提示收到多少钱"}
{'confidence': 0.13507810593582123, 'answer': "(匹配)：终身版的多少钱('多少钱', '终身版') (标准)：这个收银系统怎么收费？"}
{'confidence': 0.13367660240019172, 'answer': "(匹配)：可以通过微信个人收款码？('微信', '收款码') (标准)：可以通过微信个人收款码？"}
{'confidence': 0.13367660240019172, 'answer': "(匹配)：银豹有微信拉粉吗？('微信', '拉粉') (标准)：银豹有微信拉粉吗？"}
{'confidence': 0.13231996486433337, 'answer': "(匹配)：有没有微信商户版的？('微信', '商户') (标准)：有没有微信商户版的？"}
{'confidence': 0.13100580420257674, 'answer': "(匹配)：微信怎么绑？('微信', '绑') (标准)：微信怎么绑？"}
{'confidence': 0.13100580420257674, 'answer': "(匹配)：收银机是多少钱('多少钱', '收银机') (标准)：收银机是多少钱"}
{'confidence': 0.13100580420257674, 'answer': "(匹配)：微信里怎么看到银豹后台？('微信', '后台') (标准)：微信里怎么看到银豹后台？"}
{'confidence': 0.13100580420257674, 'answer': "(匹配)：漏单没有提示的吗？('漏单', '提示') (标准)：系统能查看漏单或提示漏单吗？"}
{'confidence': 0.13100580420257674, 'answer': "(匹配)：你们只支持微信吗？('微信', '支持') (标准)：你们支持微信和支付宝吗？"}

同样的一句话，可是两次提问，回答的却不一样。我中间有加一些别的。

经测试，应该是我直接赋值vec1,vec2出了问题，以后碰到函数里面更改了vec1vec2的，最好还是用vec1_temp=vec1.copy()比较安全

vec1_temp = vec1.copy()
vec2_temp = vec2.copy()
vec_index1 = vec1_nonzero_nonkeyword&vec2_zero
vec_index2 = vec2_nonzero_nonkeyword&vec1_zero

vec1_temp[vec_index1] = 1
vec2_temp[vec_index2] = 1


==========
经检验，一个词的句子与一个词的句子，他们之间完全相同，相似度最低是0.82，所以如果要去掉分词之后完全相同的，就去掉0.80以上的就行

微信店铺
['微信店铺']
0.4010460376739502
{'confidence': 0.8242659161988843, 'answer': "(匹配)：有没有微信店铺？('微信店铺',) (标准)：有没有微信店铺？"}
{'confidence': 0.11767885635119946, 'answer': "(匹配)：微信店铺和网上商城是一回事吗？('网上商城', '微信店铺') (标准)：微信店铺和网上商城是一回事吗？"}
{'confidence': 0.0833948963312266, 'answer': "(匹配)：微信店铺有什么用处？('微信店铺', '用处') (标准)：微信店铺有什么用处？"}

=============================

今天遇到一个问题，当我要加入不重要词的时候，对于个TRUE FALSE的np array操作，然后使用这个向量作为nonkeywords

发现巨慢! 查找一次竟然要用2秒

我后来把这个向量改为0101的形式，然后使用vec_not_special = (vec_not_special==1)，速度才回到正常值

为什么会这样？？

vec1,vec_not_special = sent2vec(q1_cut,model,topn=10,sent_raw=question)
vec_not_special = (vec_not_special==1)
vec1_count_nonzero = np.sum(vec1!=0)
vec1_nonzero_nonkeyword = (vec1>0)&vec_not_special