我基于tf-idf矩阵计算余弦相似度:
tfidf_vectorizer_desc = TfidfVectorizer(min_df=5, max_df=0.8, use_idf=True, smooth_idf=True, sublinear_tf=False, tokenizer=tokenize_and_stem)
%time tfidf_matrix_desc = tfidf_vectorizer_desc.fit_transform(descriptions) #fit the vectorizer to text
sim_desc = cosine_similarity(tfidf_matrix_desc)
但是,sim_desc包含的相似度超过1.0(见下文)。据我所知,cosine_similarity返回0到1比例之间的值。在这种情况下,我是否需要标准化余弦相似度得分?
sim_desc = cosine_similarity(tfidf_matrix_desc)
print(np.where(sim_desc < 0 ))
print(np.where(sim_desc > 1))
print(format(np.amax(sim_desc), '.20g'),format(np.amin(sim_desc), '.20g'))
(array([], dtype=int64), array([], dtype=int64))
(array([ 0, 0, 0, ..., 1496, 1496, 1497]), array([ 0, 1, 735, ..., 1495, 1496, 1497]))
1.0000000000000006661 0
答案 0 :(得分:0)
您还没有指定正在使用的库,因此如果您需要对余弦相似度得分进行标准化,我无法回答。
然而,事实如下:
余弦相似度实际上返回-1到+1之间的值。如果两个向量完全相反180度,则余弦相似度为-1。