这可能是一个奇怪的问题,但我无法帮助它。如果我说有三个文件:
如果我将所有这3个文档转换为TFIDF
值向量,在向量空间中,文档d1
和d2
将彼此更接近,然后文档d2
和d3
例如?对不起,如果这是一个愚蠢的问题,但我真的想以某种方式想象这一点,以便更好地理解它。提前谢谢!
答案 0 :(得分:2)
是的,他们会更接近。
演示:
In [21]: from sklearn.feature_extraction.text import TfidfVectorizer
In [22]: from sklearn.metrics.pairwise import cosine_similarity
In [23]: tfidf = TfidfVectorizer(max_features=50000, use_idf=True, ngram_range=(1,3))
In [24]: r = tfidf.fit_transform(data)
In [25]: s = cosine_similarity(r)
In [26]: s
Out[26]:
array([[1. , 0.53634991, 0. ],
[0.53634991, 1. , 0. ],
[0. , 0. , 1. ]])
In [27]: data
Out[27]: ['My name is Stefan.', 'My name is David.', 'Hello, how are you?']