Jak obliczyć podobieństwo między dwoma dokumentami tekstowymi?

Identyczny jak @ larsman, ale z pewnym preprocesem

import nltk, string
from sklearn.feature_extraction.text import TfidfVectorizer

nltk.download('punkt') # if necessary...


stemmer = nltk.stem.porter.PorterStemmer()
remove_punctuation_map = dict((ord(char), None) for char in string.punctuation)

def stem_tokens(tokens):
    return [stemmer.stem(item) for item in tokens]

'''remove punctuation, lowercase, stem'''
def normalize(text):
    return stem_tokens(nltk.word_tokenize(text.lower().translate(remove_punctuation_map)))

vectorizer = TfidfVectorizer(tokenizer=normalize, stop_words='english')

def cosine_sim(text1, text2):
    tfidf = vectorizer.fit_transform([text1, text2])
    return ((tfidf * tfidf.T).A)[0,1]


print cosine_sim('a little bird', 'a little bird')
print cosine_sim('a little bird', 'a little bird chirps')
print cosine_sim('a little bird', 'a big dog barks')

To stare pytanie, ale stwierdziłem, że można to łatwo zrobić za pomocą Spacy . Po odczytaniu dokumentu można użyć prostego api similarity do znalezienia cosinusowego podobieństwa między wektorami dokumentu.

import spacy
nlp = spacy.load('en')
doc1 = nlp(u'Hello hi there!')
doc2 = nlp(u'Hello hi there!')
doc3 = nlp(u'Hey whatsup?')

print doc1.similarity(doc2) # 0.999999954642
print doc2.similarity(doc3) # 0.699032527716
print doc1.similarity(doc3) # 0.699032527716

Jeśli szukasz czegoś bardzo dokładnego, musisz użyć jakiegoś lepszego narzędzia niż TF-idf. Uniwersalny koder zdań jest jednym z najdokładniejszych do znalezienia podobieństwa pomiędzy dowolnymi dwoma fragmentami tekstu. Google dostarczyło wstępnie przygotowane modele, które można wykorzystać do własnej aplikacji bez konieczności trenowania od zera. Najpierw musisz zainstalować tensorflow i TensorFlow-hub:

    pip install tensorflow
    pip install tensorflow_hub

Poniższy kod umożliwia konwersję dowolnego tekstu na wektor o stałej długości reprezentacji, a następnie można użyć produktu dot, aby dowiedzieć się podobieństwa między nimi

import tensorflow_hub as hub
module_url = "https://tfhub.dev/google/universal-sentence-encoder/1?tf-hub-format=compressed"

# Import the Universal Sentence Encoder's TF Hub module
embed = hub.Module(module_url)

# sample text
messages = [
# Smartphones
"My phone is not good.",
"Your cellphone looks great.",

# Weather
"Will it snow tomorrow?",
"Recently a lot of hurricanes have hit the US",

# Food and health
"An apple a day, keeps the doctors away",
"Eating strawberries is healthy",
]

similarity_input_placeholder = tf.placeholder(tf.string, shape=(None))
similarity_message_encodings = embed(similarity_input_placeholder)
with tf.Session() as session:
    session.run(tf.global_variables_initializer())
    session.run(tf.tables_initializer())
    message_embeddings_ = session.run(similarity_message_encodings, feed_dict={similarity_input_placeholder: messages})

    corr = np.inner(message_embeddings_, message_embeddings_)
    print(corr)
    heatmap(messages, messages, corr)

Oraz kod do wykreślenia:

def heatmap(x_labels, y_labels, values):
    fig, ax = plt.subplots()
    im = ax.imshow(values)

    # We want to show all ticks...
    ax.set_xticks(np.arange(len(x_labels)))
    ax.set_yticks(np.arange(len(y_labels)))
    # ... and label them with the respective list entries
    ax.set_xticklabels(x_labels)
    ax.set_yticklabels(y_labels)

    # Rotate the tick labels and set their alignment.
    plt.setp(ax.get_xticklabels(), rotation=45, ha="right", fontsize=10,
         rotation_mode="anchor")

    # Loop over data dimensions and create text annotations.
    for i in range(len(y_labels)):
        for j in range(len(x_labels)):
            text = ax.text(j, i, "%.2f"%values[i, j],
                           ha="center", va="center", color="w", 
fontsize=6)

    fig.tight_layout()
    plt.show()

Wynik byłby:

Jak widać, największe podobieństwo jest między tekstami ze sobą, a następnie z ich bliskimi tekstami w znaczeniu.

Ważne: przy pierwszym uruchomieniu kodu będzie on powolny, ponieważ musi pobrać model. jeśli chcesz zapobiec ponownemu pobraniu modelu i użyj modelu lokalnego musisz utworzyć folder dla pamięci podręcznej i dodać go do zmiennej środowiskowej, a następnie po pierwszym uruchomieniu użyj tej ścieżki:

tf_hub_cache_dir = "universal_encoder_cached/"
os.environ["TFHUB_CACHE_DIR"] = tf_hub_cache_dir

# pointing to the folder inside cache dir, it will be unique on your system
module_url = tf_hub_cache_dir+"/d8fbeb5c580e50f975ef73e80bebba9654228449/"
embed = hub.Module(module_url)

Więcej informacji: https://tfhub.dev / google / universal-sentence-encoder/2

Zasadniczo cosinus podobieństwa między dwoma dokumentami jest używany jako miara podobieństwa dokumentów. W Javie możesz użyć Lucene (jeśli Twoja kolekcja jest dość duża) lub LingPipe. Podstawowym pojęciem byłoby policzenie terminów w każdym dokumencie i obliczenie iloczynu punktowego wektorów terminów. Biblioteki zapewniają kilka ulepszeń w stosunku do tego ogólnego podejścia, np. wykorzystanie częstotliwości odwrotnych dokumentów i obliczanie wektorów TF-idf. Jeśli szukasz zrób coś copmlex, LingPipe zapewnia również metody obliczania podobieństwa LSA między dokumentami, co daje lepsze wyniki niż podobieństwo cosinus. W Pythonie możesz użyć NLTK .

Oto mała aplikacja na początek...

import difflib as dl

a = file('file').read()
b = file('file1').read()

sim = dl.get_close_matches

s = 0
wa = a.split()
wb = b.split()

for i in wa:
    if sim(i, wb):
        s += 1

n = float(s) / float(len(wa))
print '%d%% similarity' % int(n * 100)

Aby znaleźć podobieństwo zdań z bardzo mniejszym zestawem danych i uzyskać wysoką dokładność, możesz użyć poniższego pakietu Pythona, który używa wstępnie przeszkolonych modeli BERT,

pip install similar-sentences

Możesz wypróbować tę usługę online dla cosinusowego podobieństwa dokumentów http://www.scurtu.it/documentSimilarity.html

import urllib,urllib2
import json
API_URL="http://www.scurtu.it/apis/documentSimilarity"
inputDict={}
inputDict['doc1']='Document with some text'
inputDict['doc2']='Other document with some text'
params = urllib.urlencode(inputDict)    
f = urllib2.urlopen(API_URL, params)
response= f.read()
responseObject=json.loads(response)  
print responseObject

Jeśli jesteś bardziej zainteresowany pomiarem semantycznego podobieństwa dwóch fragmentów tekstu, proponuję rzucić okiem na Ten projekt gitlab . Możesz uruchomić go jako serwer, istnieje również wstępnie zbudowany model, którego możesz łatwo użyć do pomiaru podobieństwa dwóch fragmentów tekstu; nawet jeśli jest on głównie przeszkolony do pomiaru podobieństwa dwóch zdań, nadal możesz go używać w swoim case.It jest napisany w Javie, ale można go uruchomić jako usługę RESTful.

Inną opcją jest również Dkpro podobieństwo która jest biblioteką z różnych algorytmów do pomiaru podobieństwa tekstów. Jednak jest również napisany w Javie.

Przykład kodu:

// this similarity measure is defined in the dkpro.similarity.algorithms.lexical-asl package
// you need to add that to your .pom to make that example work
// there are some examples that should work out of the box in dkpro.similarity.example-gpl 
TextSimilarityMeasure measure = new WordNGramJaccardMeasure(3);    // Use word trigrams

String[] tokens1 = "This is a short example text .".split(" ");   
String[] tokens2 = "A short example text could look like that .".split(" ");

double score = measure.getSimilarity(tokens1, tokens2);

System.out.println("Similarity: " + score);

Dla Podobieństwa Składniowego Istnieją 3 proste sposoby wykrywania podobieństwa.

• Word2Vec
• Rękawica
• Tfidf lub countvectorizer

Dla Podobieństwa Semantycznego Można użyć Bert osadzanie i spróbować różnych strategii łączenia słów, aby uzyskać osadzanie dokumentu, a następnie zastosować cosinus podobieństwo na osadzanie dokumentu.

Zaawansowana metodologia może wykorzystać wynik BERT, aby uzyskać podobieństwo.

Referat Badawczy Link: https://arxiv.org/abs/1904.09675

Łączę rozwiązania z odpowiedzi @FredFoo i @Renaud. Moje rozwiązanie jest w stanie zastosować wstępne przetwarzanie @Renaud na korpusie tekstowym @FredFoo, a następnie wyświetlić podobieństwa parami, gdzie podobieństwo jest większe niż 0. Uruchomiłem ten kod w systemie Windows, instalując python i pip najpierw. pip jest instalowany jako część Pythona, ale być może będziesz musiał zrobić to jawnie, ponownie uruchamiając pakiet instalacyjny, wybierając modify, a następnie wybierając pip. Używam wiersza poleceń do wykonania mojego Pythona kod zapisany w pliku "similarity.py". musiałem wykonać następujące polecenia:

>set PYTHONPATH=%PYTHONPATH%;C:\_location_of_python_lib_
>python -m pip install sklearn
>python -m pip install nltk
>py similarity.py

Kod dla similarity.py jest następująca:

from sklearn.feature_extraction.text import TfidfVectorizer
import nltk, string
import numpy as np
nltk.download('punkt') # if necessary...

stemmer = nltk.stem.porter.PorterStemmer()
remove_punctuation_map = dict((ord(char), None) for char in string.punctuation)

def stem_tokens(tokens):
    return [stemmer.stem(item) for item in tokens]

def normalize(text):
    return stem_tokens(nltk.word_tokenize(text.lower().translate(remove_punctuation_map)))

corpus = ["I'd like an apple", 
           "An apple a day keeps the doctor away", 
           "Never compare an apple to an orange", 
           "I prefer scikit-learn to Orange", 
           "The scikit-learn docs are Orange and Blue"]  

vect = TfidfVectorizer(tokenizer=normalize, stop_words='english')
tfidf = vect.fit_transform(corpus)   
                                                                                                                                                                                                                    
pairwise_similarity = tfidf * tfidf.T

#view the pairwise similarities 
print(pairwise_similarity)

#check how a string is normalized
print(normalize("The scikit-learn docs are Orange and Blue"))