Косинусное сходство нового текстового документа с существующим списком документов

Question

У меня есть датафрейм из 1000 текстовых документов с соответствующими ключевыми словами. Я хочу извлечь ключевые слова нового документа, найдя ключевые слова, соответствующие документам в списке, который наиболее похож.

Answer 1

Сначала сохраните CSV-файл в массив данных df и используйте следующие функции для расчета косинусного сходства. def get_cosine (vec1, vec2): пересечение = установить (vec1.keys ()) и установить (vec2.keys ()) числитель = сумма ([vec1 [x] * vec2 [x] для x в пересечении])

sum1 = sum([vec1[x]**2 for x in vec1.keys()])
sum2 = sum([vec2[x]**2 for x in vec2.keys()])
denominator = math.sqrt(sum1) * math.sqrt(sum2)

if not denominator:
    return 0.0
else:
    return float(numerator) / denominator

def text_to_vector(text):
word = re.compile(r'\w+')
words = word.findall(text)
return Counter(words)

def get_result(content_a, content_b):
text1 = content_a
text2 = content_b

vector1 = text_to_vector(text1)
vector2 = text_to_vector(text2)

cosine_result = get_cosine(vector1, vector2)
return cosine_result

Затем выполните итерацию по df и вызовите функции, как показано ниже:

similarity=[]
for ind in df.index:
#my_doc="new document should go in here"
#prev_doc= "previous document for each index should go in here"
cos=get_result(my_doc, prev_doc)
similarity.append(cos)
max_ind= similarity.index(max(similarity))  

Вы получите индексную позицию наиболее похожего документа