importjiebaimportgensimfrom gensim importcorporafrom gensim importmodelsfrom gensim importsimilarities
l1= ["你的名字是什么", "你今年几岁了", "你有多高你胸多大", "你胸多大"]
a= "你今年多大了"all_doc_list=[]for doc inl1:
doc_list= [word for word injieba.cut(doc)]
all_doc_list.append(doc_list)print(all_doc_list)
doc_test_list= [word for word injieba.cut(a)]#制作语料库
dictionary = corpora.Dictionary(all_doc_list) #制作词袋#词袋的理解#词袋就是将很多很多的词,进行排列形成一个 词(key) 与一个 标志位(value) 的字典#例如: {'什么': 0, '你': 1, '名字': 2, '是': 3, '的': 4, '了': 5, '今年': 6, '几岁': 7, '多': 8, '有': 9, '胸多大': 10, '高': 11}#至于它是做什么用的,带着问题往下看
print("token2id", dictionary.token2id)print("dictionary", dictionary, type(dictionary))
corpus= [dictionary.doc2bow(doc) for doc inall_doc_list]#语料库:#这里是将all_doc_list 中的每一个列表中的词语 与 dictionary 中的Key进行匹配#得到一个匹配后的结果,例如['你', '今年', '几岁', '了']#就可以得到 [(1, 1), (5, 1), (6, 1), (7, 1)]#1代表的的是 你 1代表出现一次, 5代表的是 了 1代表出现了一次, 以此类推 6 = 今年 , 7 = 几岁
print("corpus", corpus, type(corpus))#将需要寻找相似度的分词列表 做成 语料库 doc_test_vec
doc_test_vec =dictionary.doc2bow(doc_test_list)print("doc_test_vec", doc_test_vec, type(doc_test_vec))#将corpus语料库(初识语料库) 使用Lsi模型进行训练
lsi =models.LsiModel(corpus)#这里的只是需要学习Lsi模型来了解的,这里不做阐述
print("lsi", lsi, type(lsi))#语料库corpus的训练结果
print("lsi[corpus]", lsi[corpus])#获得语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示
print("lsi[doc_test_vec]", lsi[doc_test_vec])#文本相似度#稀疏矩阵相似度 将 主 语料库corpus的训练结果 作为初始值
index = similarities.SparseMatrixSimilarity(lsi[corpus], num_features=len(dictionary.keys()))print("index", index, type(index))#将 语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示 与 语料库corpus的 向量表示 做矩阵相似度计算
sim =index[lsi[doc_test_vec]]print("sim", sim, type(sim))#对下标和相似度结果进行一个排序,拿出相似度最高的结果#cc = sorted(enumerate(sim), key=lambda item: item[1],reverse=True)
cc = sorted(enumerate(sim), key=lambda item: -item[1])print(cc)
text=l1[cc[0][0]]print(a,text)
前方高能