tf-idfを用いて用いて文章の類似度を調べるソースコードを調べたのですが、ひとつのテキストファイルから1行ごとに類似度を調べることができるソースコードを作りたいのですが、力を貸していただけたら嬉しいです。
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer, TfidfTransformer
from sklearn.metrics.pairwise import cosine_similarity
from janome.tokenizer import Tokenizer
filenames=['text1.txt','text2.txt','text3.txt']
wakati_list = []
for filename in filenames: # テキストファイルを読み出しtextに代入
with open(filename,mode='r',encoding="utf-8") as f:
text = f.read()
wakati = ''
t = Tokenizer()
for token in t.tokenize(text): # 形態素解析
hinshi = (token.part_of_speech).split(',')[0] # 品詞情報
hinshi_2 = (token.part_of_speech).split(',')[1]
if hinshi in ['名詞']: # 品詞が名詞の場合のみ以下実行
if not hinshi_2 in ['空白','']:
# 品詞情報の2項目目が空白かの場合は以下実行しない
word = str(token).split()[0] # 単語を取得
if not ',,' in word: # 単語にが含まれない場合は以下実行
wakati = wakati + word +' '
# オブジェクトwakatiに単語とスペースを追加
wakati_list.append(wakati) # 分かち書き結果をリストに追加
wakati_list_np = np.array(wakati_list) # リストをndarrayに変換
vectorizer = TfidfVectorizer(token_pattern=u'\b\w+\b')
transformer = TfidfTransformer()# transformerの生成。TF-IDFを使用
tf = vectorizer.fit_transform(wakati_list_np) # ベクトル化
tfidf = transformer.fit_transform(tf) # TF-IDF
tfidf_array = tfidf.toarray()
cs = cosine_similarity(tfidf_array, tfidf_array) # cos類似度計算
print(cs)
あなたの回答
tips
プレビュー