实体对齐基于相似度的方法代码

实体对齐是指将不同数据源中表示同一实体的不同名称映射为同一标准化名称的过程。基于相似度的方法是实体对齐中常用的一种方法，下面是一个示例代码：

import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 定义实体名称列表
source_entities = ["apple", "banana", "orange", "mango"]
target_entities = ["APPLE Inc.", "Banana Corp.", "Oranges LLC", "Mangoes Co."]

# 将实体名称转换为向量表示
vectorizer = TfidfVectorizer()
source_vectors = vectorizer.fit_transform(source_entities)
target_vectors = vectorizer.transform(target_entities)

# 计算相似度矩阵
similarity_matrix = cosine_similarity(source_vectors, target_vectors)

# 寻找最佳匹配
matches = np.argmax(similarity_matrix, axis=1)

# 打印匹配结果
for i, match in enumerate(matches):
    print(f"{source_entities[i]} -> {target_entities[match]}")

在上面的代码中，我们首先定义了两个实体名称列表 `source_entities` 和 `target_entities`。然后，我们使用 `TfidfVectorizer` 将实体名称转换为向量表示。接着，我们使用 `cosine_similarity` 计算相似度矩阵，其中每个元素表示一个源实体和一个目标实体之间的相似度。最后，我们使用 `np.argmax` 找出每个源实体最匹配的目标实体，并输出匹配结果。