在文本处理中,比如商品评论挖掘,有时需要了解每个评论分别和商品的描述之间的相似度,以此衡量评论的客观性。
评论和商品描述的相似度越高,说明评论的用语比较官方,不带太多感情色彩,比较注重描述商品的属性和特性,角度更客观。
那么Python 里面有计算文本相似度的程序包吗,恭喜你,不仅有,而且很好很强大。
这是从52nlp大神的博客里面发现的,其实具体的处理流程和程序和他的基本一致,只要仔细研读他的这几篇博客文章即可。
(竟然还没提到程序包的名字,退票。。退票。。)
其实题目就讲到了这个包的名字啦:gensim
真心好用,谁用谁知道。。。
接下来主要说一下针对商品评论和商品描述之间的相似度,怎么使用gensim来计算。
原理
1、文本相似度计算的需求始于搜索引擎。
搜索引擎需要计算“用户查询”和爬下来的众多”网页“之间的相似度,从而把最相似的排在最前返回给用户。
2、主要使用的算法是tf-idf
tf:term frequency 词频
idf:inverse document frequency 倒文档频率
主要思想是:如果某个词或短语在一篇文章中出现的频率高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。
第一步:把每个网页文本分词,成为词包(bag of words)。
第三步:统计网页(文档)总数M。
第三步:统计第一个网页词数N,计算第一个网页第一个词在该网页中出现的次数n,再找出该词在所有文档中出现的次数m。则该词的tf-idf 为:n/N * 1/(m/M) (还有其它的归一化公式,这里是最基本最直观的公式)
第四步:重复第三步,计算出一个网页所有词的tf-idf 值。
第五步:重复第四步,计算出所有网页每个词的tf-idf 值。
3、处理用户查询
第一步:对用户查询进行分词。
第二步:根据网页库(文档)的数据,计算用户查询中每个词的tf-idf 值。
4、相似度的计算
使用余弦相似度来计算用户查询和每个网页之间的夹角。夹角越小,越相似。
实战
主要分成三步。
第一步,计算所有评论的tf-idf 值。
第二步,使用所有评论的tf-idf 值算出商品描述的tf-idf 值。
第三步,计算每一个评论和商品描述之间的tf-idf 余弦相似度。
第一步
① 商品评论的储存形式(把Excel 中的评论数据分词并去停用词存储在txt 文档中):
txt 文档。每条评论为一行。分词并去除停用词。效果如下图:
② 使用gensim 计算所有评论的tf-idf 值
# 读取txt 文档中的每条评论并用itertools 的yield 方法存储起来(比起把所有数据存在数组中,使用itertools 的内存效率高,具体原理请google)
class MyCorpus(object):
def __iter__(self):
forlineinopen(datapath):
yieldline.split()
fromgensimimportcorpora,models,similarities
# 以下是把评论通过gensim 转化为tf-idf 形式,程序具体解释参见52nlp的博客或gensim官方文档
Corp=MyCorpus()
dictionary=corpora.Dictionary(Corp)
corpus=[dictionary.doc2bow(text)fortextinCorp]#把所有评论转化为词包(bag of words)
tfidf=models.TfidfModel(corpus)#使用tf-idf 模型得出该评论集的tf-idf 模型
corpus_tfidf=tfidf[corpus]#此处已经计算得出所有评论的tf-idf 值
第二步
① 整个商品描述只有一行,经过分词和去停用词处理,得到与上面相似的txt 文档。只是它只有一行。
② 把商品描述看成是查询,把商品评论看成是网页,即可计算商品描述的tf-idf 值。
#读取商品描述的txt 文档
q_file = open(querypath, 'r')
query=q_file.readline()
q_file.close()
vec_bow=dictionary.doc2bow(query.split())#把商品描述转为词包
vec_tfidf=tfidf[vec_bow]#直接使用上面得出的tf-idf 模型即可得出商品描述的tf-idf 值
第三步
① 计算相似度,然后写入txt 文档中
index=similarities.MatrixSimilarity(corpus_tfidf)#把所有评论做成索引
sims=index[vec_tfidf]#利用索引计算每一条评论和商品描述之间的相似度
similarity=list(sims)#把相似度存储成数组,以便写入txt 文档
sim_file=open(storepath,'w')
foriinsimilarity:
sim_file.write(str(i)+'\n')#写入txt 时不要忘了编码
sim_file.close()
② 写入文档后相似度如图:
最后总的程序如下:
#! /usr/bin/env python2.7
#coding=utf-8
importlogging
fromgensimimportcorpora,models,similarities
defsimilarity(datapath,querypath,storepath):
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s',level=logging.INFO)
classMyCorpus(object):
def__iter__(self):
forlineinopen(datapath):
yieldline.split()
Corp=MyCorpus()
dictionary=corpora.Dictionary(Corp)
corpus=[dictionary.doc2bow(text)fortextinCorp]
tfidf=models.TfidfModel(corpus)
corpus_tfidf=tfidf[corpus]
q_file=open(querypath,'r')
query=q_file.readline()
q_file.close()
vec_bow=dictionary.doc2bow(query.split())
vec_tfidf=tfidf[vec_bow]
index=similarities.MatrixSimilarity(corpus_tfidf)
sims=index[vec_tfidf]
similarity=list(sims)
sim_file=open(storepath,'w')
foriinsimilarity:
sim_file.write(str(i)+'\n')
sim_file.close()
gensim 包计算文本相似度基本也是这个步骤。而且gensim 除了提供了tf-idf 算法之外,还提供了LDA,LSV等更先进的方法。请各位客官慢慢享用。。。