sklearn余弦相似度比较精细化

如果你想使用sklearn库中的cosine_similarity函数更细化地计算余弦相似度，你可以对TF-IDF向量化后的矩阵进行操作。以下是一个示例代码：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 假设filtered_list1和reference2是经过预处理的文本列表

# 创建TF-IDF向量化器
vectorizer = TfidfVectorizer()

# 合并filtered_list1和reference2，生成TF-IDF矩阵
tfidf_matrix = vectorizer.fit_transform(filtered_list1 + reference2)

# 获取filtered_list1的向量表示
text1_vector = tfidf_matrix[:len(filtered_list1)]

# 获取reference2的向量表示
text2_vector = tfidf_matrix[len(filtered_list1):]

# 计算余弦相似度矩阵
similarity_matrix = cosine_similarity(text1_vector, text2_vector)

# 输出余弦相似度矩阵
print(similarity_matrix)

在这个示例中，我们首先使用`TfidfVectorizer`来将`filtered_list1`和`reference2`转换为TF-IDF矩阵。然后，我们从TF-IDF矩阵中获取`filtered_list1`和`reference2`的向量表示。最后，我们使用`cosine_similarity`函数计算这两个向量的余弦相似度矩阵。

请注意，这里假设`filtered_list1`和`reference2`已经经过合适的预处理，且每个元素是一个字符串。你可以根据实际情况对代码进行调整。

希望这个示例能够帮助你更精细地计算余弦相似度。如果你有任何进一步的问题，请随时提问。