IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> [实践]两个句子的相似度计算方法 -> 正文阅读

[人工智能][实践]两个句子的相似度计算方法

目录

简介

方法一之SpaCy

方法二之Sentence Transformers

方法三之scipy

方法四之torch

方法五之TFHub Universal Sentence Encoder

方法六之TF-IDF

参考资料


简介

下面的大多数库应该是语义相似性比较的不错选择。您可以使用这些库中的预训练模型生成单词或句子向量,从而跳过直接单词比较。

方法一之SpaCy

参考文献

Linguistic Features · spaCy Usage Documentation

需要下载模型

要使用 en_core_web_md,请使用 python -m spacy download en_core_web_md 进行下载。要使用 en_core_web_lg,请使用 python -m spacy download en_core_web_lg。 大型模型大约为 830mb 左右,而且速度很慢,因此中型模型是一个不错的选择。

python -m spacy download en_core_web_lg

代码

import spacy
nlp = spacy.load("en_core_web_lg")

doc1 = nlp(u'the person wear red T-shirt')
doc2 = nlp(u'this person is walking')
doc3 = nlp(u'the boy wear red T-shirt')

print(doc1.similarity(doc2))
print(doc1.similarity(doc3))
print(doc2.similarity(doc3))

结果

0.7003971105290047
0.9671912343259517
0.6121211244876517

方法二之Sentence Transformers

GitHub - UKPLab/sentence-transformers: Multilingual Sentence & Image Embeddings with BERT

Semantic Textual Similarity — Sentence-Transformers documentation

代码

这个会安装词嵌入

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('distilbert-base-nli-mean-tokens')

sentences = [
    'the person wear red T-shirt',
    'this person is walking',
    'the boy wear red T-shirt'
    ]
sentence_embeddings = model.encode(sentences)

for sentence, embedding in zip(sentences, sentence_embeddings):
    print("Sentence:", sentence)
    print("Embedding:", embedding)
    print("")

输出

Sentence: the person wear red T-shirt
Embedding: [ 1.31643847e-01 -4.20616418e-01 ... 8.13076794e-01 -4.64620918e-01]

Sentence: this person is walking
Embedding: [-3.52878094e-01 -5.04286848e-02 ... -2.36091137e-01 -6.77282438e-02]

Sentence: the boy wear red T-shirt
Embedding: [-2.36365378e-01 -8.49713564e-01 ... 1.06414437e+00 -2.70157874e-01]

方法三之scipy

代码

from scipy.spatial import distance
print(1 - distance.cosine(sentence_embeddings[0], sentence_embeddings[1]))
print(1 - distance.cosine(sentence_embeddings[0], sentence_embeddings[2]))
print(1 - distance.cosine(sentence_embeddings[1], sentence_embeddings[2]))

输出

0.4643629193305969
0.9069876074790955
0.3275738060474396

方法四之torch

代码

import torch.nn
cos = torch.nn.CosineSimilarity(dim=0, eps=1e-6)
b = torch.from_numpy(sentence_embeddings)
print(cos(b[0], b[1]))
print(cos(b[0], b[2]))
print(cos(b[1], b[2]))

输出

tensor(0.4644)
tensor(0.9070)
tensor(0.3276)

方法五之TFHub Universal Sentence Encoder

https://tfhub.dev/google/universal-sentence-encoder/4

https://colab.research.google.com/github/tensorflow/hub/blob/master/examples/colab/semantic_similarity_with_tf_hub_universal_encoder.ipynb

这个大约 1GB 的模型非常大,而且看起来比其他模型慢。这也会生成句子的嵌入

代码

import tensorflow_hub as hub

embed = hub.load("https://tfhub.dev/google/universal-sentence-encoder/4")
embeddings = embed([
    "the person wear red T-shirt",
    "this person is walking",
    "the boy wear red T-shirt"
    ])

print(embeddings)

from scipy.spatial import distance
print(1 - distance.cosine(embeddings[0], embeddings[1]))
print(1 - distance.cosine(embeddings[0], embeddings[2]))
print(1 - distance.cosine(embeddings[1], embeddings[2]))

输出

tf.Tensor(
[[ 0.063188    0.07063895 -0.05998802 ... -0.01409875  0.01863449
   0.01505797]
 [-0.06786212  0.01993554  0.03236153 ...  0.05772103  0.01787272
   0.01740014]
 [ 0.05379306  0.07613157 -0.05256693 ... -0.01256405  0.0213196
  -0.00262441]], shape=(3, 512), dtype=float32)

0.15320375561714172
0.8592830896377563
0.09080004692077637

其它嵌入

https://github.com/facebookresearch/InferSent

GitHub - Tiiiger/bert_score: BERT score for text generation

方法六之TF-IDF

安装sklearn包

pip install scikit-learn

代码

from sklearn.feature_extraction.text import TfidfVectorizer
corpus = ["I 'd like an apple",
             "An apple a day keeps the doctor away",
            "Never compare an apple to an orange",
            "I prefer scikit-learn to Orange",
             "The scikit-learn docs are Orange and Blue"]
vect = TfidfVectorizer(min_df=1, stop_words="english")
tfidf = vect.fit_transform(corpus)
print(vect.vocabulary_)
print('tfidf:',tfidf)
pairwise_similarity = tfidf * tfidf.T
print("pairwise_similarity:",pairwise_similarity)
print(pairwise_similarity.toarray() )

import numpy as np

arr = pairwise_similarity.toarray()
np.fill_diagonal(arr, np.nan)
input_doc = "The scikit-learn docs are Orange and Blue"
input_idx = corpus.index(input_doc)
print(input_idx)

result_idx = np.nanargmax(arr[input_idx])

print(corpus[result_idx])

输出结果

{'like': 9, 'apple': 0, 'day': 4, 'keeps': 7, 'doctor': 6, 'away': 1, 'compare': 3, 'orange': 10, 'prefer': 11, 'scikit': 12, 'learn': 8, 'docs': 5, 'blue': 2}
tfidf:   (0, 0)	0.5564505207186616
  (0, 9)	0.830880748357988
  (1, 1)	0.4741246485558491
  (1, 6)	0.4741246485558491
  (1, 7)	0.4741246485558491
  (1, 4)	0.4741246485558491
  (1, 0)	0.31752680284846835
  (2, 10)	0.48624041659157047
  (2, 3)	0.7260444301457811
  (2, 0)	0.48624041659157047
  (3, 8)	0.4864843177105593
  (3, 12)	0.4864843177105593
  (3, 11)	0.6029847724484662
  (3, 10)	0.40382592962643526
  (4, 2)	0.516373967614865
  (4, 5)	0.516373967614865
  (4, 8)	0.4166072657167829
  (4, 12)	0.4166072657167829
  (4, 10)	0.3458216642191991
pairwise_similarity:   (0, 2)	0.27056873300683837
  (0, 1)	0.17668795478716204
  (0, 0)	0.9999999999999998
  (1, 2)	0.1543943648960287
  (1, 0)	0.17668795478716204
  (1, 1)	0.9999999999999999
  (2, 1)	0.1543943648960287
  (2, 0)	0.27056873300683837
  (2, 4)	0.16815247007633355
  (2, 3)	0.1963564882520361
  (2, 2)	1.0
  (3, 2)	0.1963564882520361
  (3, 4)	0.5449975578692606
  (3, 3)	0.9999999999999999
  (4, 2)	0.16815247007633355
  (4, 3)	0.5449975578692606
  (4, 4)	1.0
[[1.         0.17668795 0.27056873 0.         0.        ]
 [0.17668795 1.         0.15439436 0.         0.        ]
 [0.27056873 0.15439436 1.         0.19635649 0.16815247]
 [0.         0.         0.19635649 1.         0.54499756]
 [0.         0.         0.16815247 0.54499756 1.        ]]
4

参考资料

python - How to compute the similarity between two text documents? - Stack Overflow

优势是:速度快

参考资料

How to compute the similarity between two text documents?

https://en.wikipedia.org/wiki/Cosine_similarity#Angular_distance_and_similarity

https://towardsdatascience.com/word-distance-between-word-embeddings-cc3e9cf1d632

scipy.spatial.distance.cosine — SciPy v0.14.0 Reference Guide

https://www.tensorflow.org/api_docs/python/tf/keras/losses/CosineSimilarity

deep learning - is there a way to check similarity between two full sentences in python? - Stack Overflow

NLP Town

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2022-12-25 11:10:19  更:2022-12-25 11:12:13 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/25 20:31:17-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码