python读取doc文件 语义识别_自然语言处理（NLP）语义分析--文本相似度

文本相似度及案例

​ 在做自然语言处理的过程中，我们经常会遇到需要找出相似语句的场景，或者找出句子的近似表达，这时候就需要把类似的句子归到一起，这里面就涉及到句子相似度计算的问题。

基本方法

句子相似度计算一共归类了以下几种方法：

编辑距离计算

杰卡德系数计算

TF 计算

TF-IDF 计算

Word2Vec 计算

下面来一一了解一下这几种算法的原理和 Python 实现。

编辑距离计算

编辑距离，英文叫做 Edit Distance，又称 Levenshtein 距离，是指两个字串之间，由一个转成另一个所需的最少编辑操作次数，如果它们的距离越大，说明它们越是不同。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。

例如我们有两个字符串：string 和 setting，如果我们想要把 string 转化为 setting，需要这么两步：

第一步，在 s 和 t 之间加入字符 e。

第二步，把 r 替换成 t。

所以它们的编辑距离差就是 2，这就对应着二者要进行转化所要改变(添加、替换、删除)的最小步数。

那么用 Python 怎样来实现呢，我们可以直接使用 distance 库：

#编辑距离

import distance

def edit_distance(s1, s2):

return distance.levenshtein(s1, s2)

strings = [

&