一、基本概念
gensim是一个python的自然语言处理库,能够将文档向量化以及建立模型(TF-IDF, LDA, LSI)。
corpora用于构建语料库,models用于构建处理模型,Similarity用于文档相似性比对
顺序:corpora-->models-->Similarity
简单例子:
如:两篇文章,每个文章都是由一句话组成
D1: I am a student.
D2: I am a teacher,I love my students.
1. 预处理数据
1.1 分词,英文通常使用空格分词(注意词干提取和词形还原),中文可以选择jieba分词
1.2 去掉停词(如: a in of I am 等等)或者去掉指定词根据业务
1.3 其他处理,如去掉出现一次的词,由业务取决
gensim是一个python的自然语言处理库,能够将文档向量化以及建立模型(TF-IDF, LDA, LSI)。
corpora用于构建语料库,models用于构建处理模型,Similarity用于文档相似性比对
顺序:corpora-->models-->Similarity
简单例子:
如:两篇文章,每个文章都是由一句话组成
D1: I am a student.
D2: I am a teacher,I love my students.
1. 预处理数据
1.1 分词,英文通常使用空格分词(注意词干提取和词形还原),中文可以选择jieba分词
1.2 去掉停词(如: a in of I am 等等)或者去掉指定词根据业务
1.3 其他处理,如去掉出现一次的词,由业务取决