使用【python】写【文本相似度分析】的代码写一个vector类

import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer

class Vector:
    def __init__(self, texts):
        self.vectorizer = TfidfVectorizer()
        self.matrix = self.vectorizer.fit_transform(texts)

    def get_similarity(self, text1, text2):
        tfidf1 = self.vectorizer.transform([text1])
        tfidf2 = self.vectorizer.transform([text2])
        similarity = (tfidf1 * tfidf2.T).A[0, 0]
        return similarity

# 示例
texts = ["我喜欢吃苹果", "苹果很好吃", "我不喜欢吃香蕉", "香蕉很甜"]
vector = Vector(texts)
similarity = vector.get_similarity("我喜欢吃苹果", "苹果很好吃")
print("相似度：", similarity)

相关问题

用python写文本相似度 余弦相似度 代码

您好，以下是使用Python计算文本相似度的余弦相似度代码：

import math

# 计算向量点积
def dot_product(vec1, vec2):
    return sum(a * b for a, b in zip(vec1, vec2))

# 计算向量长度
def vector_length(vec):
    return math.sqrt(dot_product(vec, vec))

# 计算余弦相似度
def cosine_similarity(vec1, vec2):
    numerator = dot_product(vec1, vec2)
    denominator = vector_length(vec1) * vector_length(vec2)
    return numerator / denominator

def compute_cosine_similarity(text1, text2):
    words = set(text1.split() + text2.split())
    vec1 = [text1.split().count(word) for word in words]
    vec2 = [text2.split().count(word) for word in words]
    return cosine_similarity(vec1, vec2)

# 示例文本
text1 = "这是一个示例文本，用于计算文本相似度。"
text2 = "这是另一个示例文本，也是用于计算文本相似度的。"

# 计算相似度
similarity = compute_cosine_similarity(text1, text2)

# 输出结果
print("文本1：", text1)
print("文本2：", text2)
print("余弦相似度：", similarity)

请注意，此代码仅适用于简单的文本相似度计算，对于更复杂的情况，可能需要进行一些修改。

用python写文本相似度 余弦相似度 代码 input函数

下面是使用Python的余弦相似度计算文本相似度的代码，其中包含input函数以便输入需要比较的文本：

import math

def cosine_similarity(a, b):
    # 计算余弦相似度
    dot_product = 0.0
    norm_a = 0.0
    norm_b = 0.0
    for i in range(len(a)):
        dot_product += a[i] * b[i]
        norm_a += a[i] ** 2
        norm_b += b[i] ** 2
    if norm_a == 0.0 or norm_b == 0.0:
        return 0.0
    else:
        return dot_product / (math.sqrt(norm_a) * math.sqrt(norm_b))

# 输入两个文本
text1 = input("请输入第一个文本：")
text2 = input("请输入第二个文本：")

# 对文本进行分词
words1 = text1.strip().split()
words2 = text2.strip().split()

# 获取所有词的集合
all_words = set(words1 + words2)

# 分别计算两个文本中每个词出现的次数，并放入向量中
vector1 = [words1.count(word) for word in all_words]
vector2 = [words2.count(word) for word in all_words]

# 计算文本向量之间的余弦相似度
similarity = cosine_similarity(vector1, vector2)
print("两个文本的余弦相似度为：%.2f" % similarity)

注意：此代码仅供学习交流之用，对于实际应用场景需要根据具体情况进行修改。