Question

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：

d1 =“我的名字是Stefan。”
d2 =“我的名字是大卫。”
d3 =“你好，你好吗？”

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！

Answer 1

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?']

如何将类似文档转换为TFIDF值向量在向量空间中查找

1 个答案: