Cosinus podobieństwo vs odległość Hamming [zamknięty]
Aby obliczyć podobieństwo między dwoma dokumentami, tworzę wektor funkcji zawierający pojęcie częstotliwości. Ale potem, w następnym kroku, nie mogę się zdecydować między "cosinus podobieństwa " i " Odległość Hamminga".
Moje pytanie: Czy masz doświadczenie z tymi algorytmami? Który daje lepsze wyniki?Poza tym: czy mógłbyś mi powiedzieć, jak kodować Cosinusowe podobieństwo w PHP? Na odległość Hamming, Mam już kod:
function check ($terms1, $terms2) {
$counts1 = array_count_values($terms1);
$totalScore = 0;
foreach ($terms2 as $term) {
if (isset($counts1[$term])) $totalScore += $counts1[$term];
}
return $totalScore * 500 / (count($terms1) * count($terms2));
}
Nie chcę używać żadnego innego algorytmu. Chciałbym tylko mieć pomoc w podejmowaniu decyzji między obydwoma.
[1]} i może ktoś powie coś, jak poprawić algorytmy. Czy uzyskasz lepsze wyniki, jeśli odfiltrowasz słowa stop lub popularne słowa?
Mam nadzieję, że mi pomożesz. Z góry dzięki! 4 answers
Odległość Hamminga powinna być wykonana między dwoma ciągami o jednakowej długości i z uwzględnieniem kolejności.
Ponieważ Twoje dokumenty są z pewnością różnej długości i jeśli słowa Miejsca się nie liczą, podobieństwo cosinusów jest lepsze (pamiętaj, że w zależności od twoich potrzeb istnieją lepsze rozwiązania). :)
Oto cosinusowa funkcja podobieństwa 2 tablic wyrazów:
function cosineSimilarity($tokensA, $tokensB)
{
$a = $b = $c = 0;
$uniqueTokensA = $uniqueTokensB = array();
$uniqueMergedTokens = array_unique(array_merge($tokensA, $tokensB));
foreach ($tokensA as $token) $uniqueTokensA[$token] = 0;
foreach ($tokensB as $token) $uniqueTokensB[$token] = 0;
foreach ($uniqueMergedTokens as $token) {
$x = isset($uniqueTokensA[$token]) ? 1 : 0;
$y = isset($uniqueTokensB[$token]) ? 1 : 0;
$a += $x * $y;
$b += $x;
$c += $y;
}
return $b * $c != 0 ? $a / sqrt($b * $c) : 0;
}
Jest szybki (isset()
zamiast in_array()
jest zabójcą na dużych tablicach).
Jak widać, wyniki nie uwzględniają "wielkości" każdego słowa.
Używam go do wykrywania wielu opublikowanych wiadomości "prawie" wklejonych tekstów. Działa dobrze. :)
Najlepszy link o metrykach podobieństwa łańcuchów : http://www.dcs.shef.ac.uk / ~sam/stringmetrics.html
Dla dalszych ciekawych odczyty:
Http://www.miislita.com/information-retrieval-tutorial/cosine-similarity-tutorial.html http://bioinformatics.oxfordjournals.org/cgi/content/full/22/18/2298
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2009-08-17 22:47:36
Chyba, że się mylę, myślę, że masz algorytm w połowie drogi między tymi dwoma algorytmami . Dla odległości Hamminga stosuje się:
function check ($terms1, $terms2) {
$counts1 = array_count_values($terms1);
$totalScore = 0;
foreach ($terms2 as $term) {
if (isset($counts1[$term])) $totalScore += 1;
}
return $totalScore * 500 / (count($terms1) * count($terms2));
}
(zauważ, że dodajesz tylko 1 dla każdego dopasowanego elementu w wektorach tokenów.)
I dla podobieństwa cosinusowego, użyj:
function check ($terms1, $terms2) {
$counts1 = array_count_values($terms1);
$counts2 = array_count_values($terms2);
$totalScore = 0;
foreach ($terms2 as $term) {
if (isset($counts1[$term])) $totalScore += $counts1[$term] * $counts2[$term];
}
return $totalScore / (count($terms1) * count($terms2));
}
(zauważ, że dodajesz iloczyn liczby Tokenów między dwoma dokumentami.)
Główna różnica między tymi dwoma jest taka, że podobieństwo cosinusów da silniejszy wskaźnik, gdy dwa dokumenty mają to samo słowo wiele razy w dokumentach , podczas gdy odległość Hamminga nie obchodzi, jak często poszczególne żetony pojawiają się .
Edit : właśnie zauważyłem Twoje zapytanie dotyczące usuwania słów funkcyjnych itp. Radzę to, jeśli masz zamiar używać cosinusowego podobieństwa - ponieważ słowa funkcyjne są dość częste (przynajmniej w języku angielskim), możesz wypaczać wynik, nie filtrując ich. Jeśli użyjesz odległości Hamminga, efekt nie będzie tak wielki, ale może nadal być odczuwalne w niektórych przypadkach. Ponadto, jeśli masz dostęp do lemmatizer, zmniejszy to błędy, gdy jeden dokument zawiera "galaktyki", a drugi zawiera" galaktykę", na przykład.
W którąkolwiek stronę pójdziesz, powodzenia!
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2009-06-03 16:54:02
Przepraszam za zignorowanie faktu, że powiedziałeś, że nie chcesz używać żadnych innych algorytmów, ale poważnie, odległość Levenshteina i odległość Damerau-Levenshteina są o wiele bardziej przydatne niż odległość Hamminga. Oto implementacja d-l distance w PHP , a jeśli nie podoba Ci się natywna funkcja PHP levenshtein()
, której myślę, że nie zrobisz, ponieważ ma limit długości, oto wersja bez ograniczeń długości:
function levenshtein_distance($text1, $text2) {
$len1 = strlen($text1);
$len2 = strlen($text2);
for($i = 0; $i <= $len1; $i++)
$distance[$i][0] = $i;
for($j = 0; $j <= $len2; $j++)
$distance[0][$j] = $j;
for($i = 1; $i <= $len1; $i++)
for($j = 1; $j <= $len2; $j++)
$distance[$i][$j] = min($distance[$i - 1][$j] + 1, $distance[$i][$j - 1] + 1, $distance[$i - 1][$j - 1] + ($text1[$i - 1] != $text2[$j - 1]));
return $distance[$len1][$len2];
}
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2009-06-03 16:37:56
Tutaj mój poprawiony kod dla Cosinusowej funkcji odległości wysłany przez Toto
function cosineSimilarity($tokensA, $tokensB)
{
$a = $b = $c = 0;
$uniqueTokensA = $uniqueTokensB = array();
$uniqueMergedTokens = array_unique(array_merge($tokensA, $tokensB));
foreach ($tokensA as $token) $uniqueTokensA[$token] = 0;
foreach ($tokensB as $token) $uniqueTokensB[$token] = 0;
foreach ($uniqueMergedTokens as $token) {
$x = isset($uniqueTokensA[$token]) ? 1 : 0;
$y = isset($uniqueTokensB[$token]) ? 1 : 0;
$a += $x * $y;
$b += pow($x,2);
$c += pow($y,2);
}
return $b * $c != 0 ? $a / sqrt($b * $c) : 0;
}
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2013-12-13 15:10:59