simtext: 三行程式碼計算文字相似性
simtext
simtext可以計算兩文件間四大文字相似性指標,分別為:
Sim_Cosine cosine相似性
Sim_Jaccard Jaccard相似性
Sim_MinEdit 最小編輯距離
Sim_Simple 微軟Word中的track changes
具體演算法介紹可翻看Cohen, Lauren, Christopher Malloy&Quoc Nguyen(2018) 第60頁
安裝
pip install simtext
使用
中文文字相似性
from simtext import similarity
text1 = ‘在宏觀經濟背景下,為繼續最佳化貸款結構,重點發展可以抵抗經濟週期不良的貸款’
text2 = ‘在宏觀經濟背景下,為繼續最佳化貸款結構,重點發展可三年專業化、集約化、綜合金融+物聯網金融四大金融特色的基礎上’
sim = similarity()
res = sim。compute(text1, text2)
print(res)
Run
{‘Sim_Cosine’: 0。46475800154489,
‘Sim_Jaccard’: 0。3333333333333333,
‘Sim_MinEdit’: 29,
‘Sim_Simple’: 0。9889595182335229}
英文文字相似性
from simtext import similarity
A = ‘We expect demand to increase。’
B = ‘We expect worldwide demand to increase。’
C = ‘We expect weakness in sales’
sim = similarity()
AB = sim。compute(A, B)
AC = sim。compute(A, C)
print(AB)
print(AC)
Run
{‘Sim_Cosine’: 0。9128709291752769,
‘Sim_Jaccard’: 0。8333333333333334,
‘Sim_MinEdit’: 2,
‘Sim_Simple’: 0。9545454545454546}
{‘Sim_Cosine’: 0。39999999999999997,
‘Sim_Jaccard’: 0。25,
‘Sim_MinEdit’: 4,
‘Sim_Simple’: 0。9315789473684211}
Python能做哪些?
在我的騰訊課堂中,有python入門、資料採集、資料清洗、機器學習四大模組,每個知識都有相關的講解和實戰程式碼,歡迎各位童鞋戳進來了解。
參考文獻
Cohen, Lauren, Christopher Malloy, and Quoc Nguyen。
Lazy prices
。 No。 w25084。 National Bureau of Economic Research, 2018。
更多
B站:大鄧和他的python
公眾號:大鄧和他的python
知乎專欄:資料科學家