【Pyhton 数据分析】通过gensim进行文本相似度分析

环境描述

Python环境：Python 3.6.1

系统版本：windows7 64bit

文件描述

一共有三个文件，分别是：file_01.txt、file_02.txt、file_03.txt

file_01.txt文件内容：

我吃过糖之后，发现我的牙齿真的很疼

file_02.txt文件内容：

牙疼不是病疼起来要人命.

file_03.txt文件内容：

我的肚子不舒服！与此同时，牙疼也让我接近崩溃

文本相似度分析步骤

1. 打开并读取文档内容
2. 对要进行分析的文档分词
3. 格式化文档
4. 计算词频（可以过滤词频较小的词）
5. 通过语料库建立字典
6. 加载要对比的文档
7. 将要对比的文档通过doc2bow转化为稀疏向量
8. 对稀疏向量进行进一步处理，得到新语料库
9. 将新语料库通过tfidfmodel进行处理，得到tfidf
10. 通过token2id得到特征数
11. 稀疏矩阵相似度，从而建立索引
12. 得到相似度结果

实现代码

#-*- coding：utf-8 -*-

#导入所需的模块
from gensim import corpora,models,similarities
import jieba
from collections import defaultdict

#打开并读取文件
f1 = "D:/reptile/file/file_01.txt"
f2 = "D:/reptile/file/file_02.txt"

content1 = open(f1,encoding='UTF-8').read()
content2 = open(f2,encoding='UTF-8').read()

#对文档进行分词
data1 = jieba.cut(content1)
data2 = jieba.cut(content2)

#整理文档格式，格式为："词语1 词语2 ... 词语n "(词语之间用空格分隔)
str1 = ""
for item in data1:
    str1+=item+" "
#print(str1)
str2 = ""
for item in data2:
    str2+=item+" "
#print(str2)

#split默认分隔符为空格
str_all = [str1,str2]
text = [[word for word in str3.split()]
        for str3 in str_all]

#计算词语频率
frequency = defaultdict(int)
for i in text:
    for token in i:
        frequency[token]+=1
#过滤词频为3的
'''
texts=[[word for word in text if frequency[token]>3]
 for text in texts]
'''
#通过语料库建立词典
dictionary = corpora.Dictionary(text)
dictionary.save("D:/reptile/file/dict1.txt")

#加载要对比的文档
f3 = "D:/reptile/file/file_03.txt"
content3 = open(f3,encoding='UTF-8').read()
data3 = jieba.cut(content3)

str3 = ""
for item in data3:
    str3+=item+" "
new_data = str3

#doc2bow将文件变成一个稀疏矩阵
new_vec = dictionary.doc2bow(new_data.split())

#对字典进行docbow处理，得到新的语料库
corpus = [dictionary.doc2bow(j) for j in text]

#将corpus语料库持久化到磁盘中，词句可以删除
#corpora.MmCorpus.serialize("D:/reptile/file/New_Yuliaoku.mm",corpus)

#将新的语料库通过TfidfModel处理，得到tfidf
tfidf = models.TfidfModel(corpus)

#求特征数
featureNum = len(dictionary.token2id.keys())

#SparseMatrixSimilarity 稀疏矩阵相似度
index = similarities.SparseMatrixSimilarity(tfidf[corpus],num_features=featureNum)

#得到结果
sim = index[tfidf[new_vec]]

#打印结果
print(sim)

运行结果

[ 0.58554006  0.15430336]

该结果说明：file_03文件与file_02的相似度为0.15430336，与file_01的相似度为0.58554006