質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
87.20%
Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

受付中

一つのファイルから読み込む

gamdam
gamdam

総合スコア2

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

0回答

-2評価

0クリップ

119閲覧

投稿2022/05/16 05:59

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)

良い質問の評価を上げる

以下のような質問は評価を上げましょう

  • 質問内容が明確
  • 自分も答えを知りたい
  • 質問者以外のユーザにも役立つ

評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

気になる質問をクリップする

クリップした質問は、後からいつでもマイページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

  • プログラミングに関係のない質問
  • やってほしいことだけを記載した丸投げの質問
  • 問題・課題が含まれていない質問
  • 意図的に内容が抹消された質問
  • 過去に投稿した質問と同じ内容の質問
  • 広告と受け取られるような投稿

評価を下げると、トップページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

y_waiwai

2022/05/16 06:11

で、しつもんはなんでしょうか
gamdam

2022/05/16 06:54

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

2022/05/16 06:55

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

2022/05/16 11:10

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?

まだ回答がついていません

会員登録して回答してみよう

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
87.20%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問

同じタグがついた質問を見る

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。