优化这款代码def compare(): text1 = text_new text2 = text_old tf_idf_vectorizer = TfidfVectorizer() tf_idf_vectors = tf_idf_vectorizer.fit_transform([text1, text2]) cosine_similarities = cosine_similarity(tf_idf_vectors) return cosine_similarities[0, 1]增加逐一对比功能

可以将需要逐一对比的文本存储在列表中，然后使用两重循环来遍历所有文本对，计算它们之间的相似度。以下是修改后的代码示例：

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

def compare(text_list):
    tf_idf_vectorizer = TfidfVectorizer()
    tf_idf_vectors = tf_idf_vectorizer.fit_transform(text_list)
    n = len(text_list)
    similarities = []
    for i in range(n):
        for j in range(i+1, n):
            cosine_similarity = cosine_similarity(tf_idf_vectors[i], tf_idf_vectors[j])[0][0]
            similarities.append((i, j, cosine_similarity))
    return similarities

这个函数将返回一个列表，其中每个元素都表示一对文本之间的相似度。每个元素都是一个三元组，包含两个文本的索引和它们之间的余弦相似度。例如，如果输入列表中有三个文本，函数将返回以下类似的结果：

[(0, 1, 0.732), (0, 2, 0.581), (1, 2, 0.812)]

这表示第一个文本和第二个文本之间的相似度为 0.732，第一个文本和第三个文本之间的相似度为 0.581，第二个文本和第三个文本之间的相似度为 0.812。