您好,登錄后才能下訂單哦!
編輯距離
編輯距離,又稱為Levenshtein距離,是用于計(jì)算一個(gè)字符串轉(zhuǎn)換為另一個(gè)字符串時(shí),插入、刪除和替換的次數(shù)。例如,將'dad'轉(zhuǎn)換為'bad'需要一次替換操作,編輯距離為1。
nltk.metrics.distance.edit_distance函數(shù)實(shí)現(xiàn)了編輯距離。
from nltk.metrics.distance import edit_distance str1 = 'bad' str2 = 'dad' print(edit_distance(str1, str2))
N元語法相似度
n元語法只是簡單地表示文本中n個(gè)標(biāo)記的所有可能的連續(xù)序列。n元語法具體是這樣的
import nltk #這里展示2元語法 text1 = 'Chief Executive Officer' #bigram考慮匹配開頭和結(jié)束,所有使用pad_right和pad_left ceo_bigrams = nltk.bigrams(text1.split(),pad_right=True,pad_left=True) print(list(ceo_bigrams)) [(None, 'Chief'), ('Chief', 'Executive'), ('Executive', 'Officer'), ('Officer', None)]
2元語法相似度計(jì)算
import nltk #這里展示2元語法 def bigram_distance(text1, text2): #bigram考慮匹配開頭和結(jié)束,所以使用pad_right和pad_left text1_bigrams = nltk.bigrams(text1.split(),pad_right=True,pad_left=True) text2_bigrams = nltk.bigrams(text2.split(), pad_right=True, pad_left=True) #交集的長度 distance = len(set(text1_bigrams).intersection(set(text2_bigrams))) return distance text1 = 'Chief Executive Officer is manager' text2 = 'Chief Technology Officer is technology manager' print(bigram_distance(text1, text2)) #相似度為3
jaccard相似性
jaccard距離度量的兩個(gè)集合的相似度,它是由 (集合1交集合2)/(結(jié)合1交結(jié)合2)計(jì)算而來的。
實(shí)現(xiàn)方式
from nltk.metrics.distance import jaccard_distance #這里我們以單個(gè)的字符代表文本 set1 = set(['a','b','c','d','a']) set2 = set(['a','b','e','g','a']) print(jaccard_distance(set1, set2))
0.6666666666666666
masi距離
masi距離度量是jaccard相似度的加權(quán)版本,當(dāng)集合之間存在部分重疊時(shí),通過調(diào)整得分來生成小于jaccard距離值。
from nltk.metrics.distance import jaccard_distance,masi_distance #這里我們以單個(gè)的字符代表文本 set1 = set(['a','b','c','d','a']) set2 = set(['a','b','e','g','a']) print(jaccard_distance(set1, set2)) print(masi_distance(set1, set2))
0.6666666666666666
0.22000000000000003
余弦相似度
nltk提供了余弦相似性的實(shí)現(xiàn)方法,比如有一個(gè)詞語空間
word_space = [w1,w2,w3,w4] text1 = 'w1 w2 w1 w4 w1' text2 = 'w1 w3 w2' #按照word_space位置,計(jì)算每個(gè)位置詞語出現(xiàn)的次數(shù) text1_vector = [3,1,0,1] text2_vector = [1,1,1,0]
[3,1,0,1]意思是指w1出現(xiàn)了3次,w2出現(xiàn)了1次,w3出現(xiàn)0次,w4出現(xiàn)1次。
好了下面看代碼,計(jì)算text1與text2的余弦相似性
from nltk.cluster.util import cosine_distance text1_vector = [3,1,0,1] text2_vector = [1,1,1,0] print(cosine_distance(text1_vector,text2_vector))
0.303689376177
以上就是本文的全部內(nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持億速云。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請(qǐng)聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。