我有8个文档，我在其上运行TF-IDF以获取数组。我不明白我如何找出哪个是给定输入查询的最佳文档匹配？
all_documents = [doc1, doc2, ...., doc7]
sklearn_tfidf = TfidfVectorizer(norm='l2',min_df=0, use_idf=True, smooth_idf=False, sublinear_tf=True, tokenizer=tokenize)
sklearn_representation = sklearn_tfidf.fit_transform(all_documents).toarray()
答案 0 :(得分：0)
使用tf-idf将输入转换为TfidfVectorizer格式。然后，您可以使用距离度量（余弦，欧几里德，曼哈顿，...）来计算最接近您输入的文档。
每个文档都应使用相同的词汇表。我假设您的8个文档向量具有相同的长度？您创建的sklearn_tfidf对象具有属性vocabulary_，其中包含向量中使用的所有单词。您的输入查询应缩减为仅包含这些单词。
示例
Document1: dogs are cute
Document2: cats are awful
导致[dogs, cats, are, cute, awful]的词汇量。不能使用包含除这些之外的其他单词的查询。例如，如果您的查询为cute animals，则animals没有意义，因为在其中一个文档中找不到它。因此，查询简化为以下向量：[0,0,0,1,0]，因为cute是可以在文档中找到的唯一单词。