使用TF-IDF - Python比较语料库中的文档对

Question

我设法使用以下代码计算TF-IDF和矩阵：

from sklearn.feature_extraction.text import TfidfVectorizer

#define vectorizer parameters
tfidf_vectorizer = TfidfVectorizer(max_df=0.8, max_features=200000,
                             min_df=0.2, stop_words='english',
                             use_idf=True, ngram_range=(1,3))

tfidf_matrix = tfidf_vectorizer.fit_transform(paragraphs) #fit the vectorizer to paragraphs

但是，我现在想比较不同段落的相似性，我的最终结果应该是这样的：

Pair# | Paragraph1 | Paragraph2 | Similarity score

1 --------xyz --------xyz --------- 30.2%

2 --------xyz --------xyz --------- 22.3%

3  --------xyz --------xyz --------- 4.3%

如何使用TF-IDF矩阵比较不同的段落对？

Answer 1

假设paragraphs参数中的每个段落都是一个字符串，那么tfidf_matrix中的每一行都将是表示该字符串的数字向量。用于测量向量（特别是tf-idf权重向量）之间的相似性的通用度量是cosine similarity。一个有用的实现是scikit-learn cosine_similarity method ，它接受​​矩阵作为输入。

所以大概你可以做到：

from sklearn.metrics.pairwise import cosine_similarity
cosine_sim_matrix = cosine_similarity(tfidf_matrix, tfidf_matrix)

每个单元格i, j将是段落i和j之间的相似度得分。