一つのファイルから読み込む

Question

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)

Comments

[y_waiwai]

で、しつもんはなんでしょうか

[gamdam]

１つのテキストファイルから1行ごとの文の類似度を出せるコードに変えたいです！

[gamdam]

1行ごとに他の行の文章との類似度を出せるソースコードにしたいです！

[TakaiY]

まずは、これではコードが読めないので、質問を編集して、コードをよめるようにして(<code>ボタンで出てくる書式に入れるとか)ください。

ぱっとみたところ、
cs = cosine_similarity(tfidf_array, tfidf_array)
同じarrayのコサイン類似度を出しているようですが、これは意図どおりですか？
複数あるファイルについてどのようにコサイン類似度を出したいのでしょう？