import sys import re import jieba import codecs import gensim import numpy as np import pandas as pd def segment(doc: str): stop_words = pd.read_csv('data/stopwords.txt', index_col=False, quoting=3, names=['stopword'], sep='\n', encoding='utf-8') stop_words = list(stop_words.stopword) reg_html = re.compile(r'<[^>]+>', re.S) # 去掉html标签数字等 doc = reg_html.sub('', doc) doc = re.sub('[0-9]', '', doc) doc = re.sub('\s', '', doc) word_list = list(jieba.cut(doc)) out_str = '' for word in word_list: if word not in stop_words: out_str += word out_str += ' ' segments = out_str.split(sep=' ') return segments def doc2vec(file_name, model): start_alpha = 0.01 infer_epoch = 1000 doc = segment(codecs.open(file_name, 'r', 'utf-8').read()) vector = model.docvecs[doc_id] return model.infer_vector(doc) # 计算两个向量余弦值 def similarity(a_vect, b_vect): dot_val = 0.0 a_norm = 0.0 b_norm = 0.0 cos = None for a, b in zip(a_vect, b_vect): dot_val += a * b a_norm += a ** 2 b_norm += b ** 2 if a_norm == 0.0 or b_norm == 0.0: cos = -1 else: cos = dot_val / ((a_norm * b_norm) ** 0.5) return cos def test_model(file1, file2): print('导入模型') model_path = 'tmp/zhwk_news.doc2vec' model = gensim.models.Doc2Vec.load(model_path) vect1 = doc2vec(file1, model) # 转成句子向量 vect2 = doc2vec(file2, model) print(sys.getsizeof(vect1)) # 查看变量占用空间大小 print(sys.getsizeof(vect2)) cos = similarity(vect1, vect2) print('相似度:%0.2f%%' % (cos * 100)) if __name__ == '__main__': file1 = 'data/corpus_test/t1.txt' file2 = 'data/corpus_test/t2.txt' test_model(file1, file2) 有什么问题 ,怎么解决

时间: 2024-03-27 17:34:51 浏览: 40
在 `doc2vec()` 函数中,你在尝试访问 `doc_id` 变量,但是该变量未定义,这会导致 `NameError` 错误。你需要将该变量定义为函数的参数,并在调用函数时传递文档的标识符。 另外,在 `doc2vec()` 函数中,你在尝试将 `Doc2Vec` 模型返回的向量赋值给 `vector` 变量,但是该变量没有使用,这会导致不必要的计算和内存占用。你应该直接返回模型返回的向量。 最后,在 `test_model()` 函数中,你在尝试打印向量的内存占用大小,但是你应该打印向量本身的大小,而不是指向向量的变量的大小。你可以使用 `np.ndarray.nbytes` 属性来获取向量的大小。 下面是修改后的代码: ``` import sys import re import jieba import codecs import gensim import numpy as np import pandas as pd def segment(doc: str): stop_words = pd.read_csv('data/stopwords.txt', index_col=False, quoting=3, names=['stopword'], sep='\n', encoding='utf-8') stop_words = list(stop_words.stopword) reg_html = re.compile(r'<[^>]+>', re.S) # 去掉html标签数字等 doc = reg_html.sub('', doc) doc = re.sub('[0-9]', '', doc) doc = re.sub('\s', '', doc) word_list = list(jieba.cut(doc)) out_str = '' for word in word_list: if word not in stop_words: out_str += word out_str += ' ' segments = out_str.split(sep=' ') return segments def doc2vec(file_name, model, doc_id): start_alpha = 0.01 infer_epoch = 1000 doc = segment(codecs.open(file_name, 'r', 'utf-8').read()) return model.infer_vector(doc, alpha=start_alpha, steps=infer_epoch) # 计算两个向量余弦值 def similarity(a_vect, b_vect): dot_val = 0.0 a_norm = 0.0 b_norm = 0.0 cos = None for a, b in zip(a_vect, b_vect): dot_val += a * b a_norm += a ** 2 b_norm += b ** 2 if a_norm == 0.0 or b_norm == 0.0: cos = -1 else: cos = dot_val / ((a_norm * b_norm) ** 0.5) return cos def test_model(file1, file2): print('导入模型') model_path = 'tmp/zhwk_news.doc2vec' model = gensim.models.Doc2Vec.load(model_path) vect1 = doc2vec(file1, model, doc_id=0) # 转成句子向量 vect2 = doc2vec(file2, model, doc_id=1) print(vect1.nbytes) # 查看向量大小 print(vect2.nbytes) cos = similarity(vect1, vect2) print('相似度:%0.2f%%' % (cos * 100)) if __name__ == '__main__': file1 = 'data/corpus_test/t1.txt' file2 = 'data/corpus_test/t2.txt' test_model(file1, file2) ```

相关推荐

最新推荐

recommend-type

基于当前信息(截至2024年7月)的SpringCloud配置概览

基于当前信息(截至2024年7月)的SpringCloud配置概览
recommend-type

毕业设计javajsp校园二手商品交易(jsp+sqlserver)-qkrp源码含文档工具包

毕业设计javajsp校园二手商品交易(jsp+sqlserver)-qkrp源码含文档工具包 页面是jsp,数据库sqlserver,jdk1.8,开发工具用ecplise、myecplise、sts、idea都可以 本系统以JSP为主要制作工具,实现了用户注册、登陆、商品发布,商品浏览/查询、对商品的购买使用购物车以及用户订单生成等功能,从而实现了一套比较完善的网上二手商品交易平台。系统的前台主要是客户浏览和操作,系统的后台只有管理员可以进行操作主要实现了客户管理,公告管理,订单管理等。 包含:源码、数据库脚本、论文、环境工具包、相同框架项目的安装教程(在说明文档中)
recommend-type

SDN权威指南:深入解析软件定义网络与OpenFlow

"SDN: Software Defined Networks 由 Thomas D. Nadeau 和 Ken Gray 编著,这是一本深入剖析SDN技术的权威指南。本书详细介绍了软件定义网络(SDN)的概念、原理以及OpenFlow等相关技术,是计算机教材和IT专业人员的重要参考资料。" 在SDN(Software Defined Networking)这一领域,它代表了网络架构的一次重大革新,将控制平面与数据平面分离,从而实现了网络的灵活配置和集中管理。这本书由Thomas D. Nadeau和Ken Gray共同撰写,他们都是SDN领域的专家,提供了对SDN的深度解析。 书中主要知识点包括: 1. **SDN的基本概念**:解释了SDN的核心理念,即通过将网络控制逻辑从底层硬件中抽象出来,集中到一个独立的控制器,使得网络可以像软件一样被编程和管理。 2. **OpenFlow协议**:OpenFlow是SDN中最著名的数据平面接口,它允许控制器直接与交换机通信,定义数据包的转发路径。书中详细阐述了OpenFlow的工作机制、协议报文结构和如何实现流表的建立与更新。 3. **SDN架构**:描述了典型的SDN架构,包括网络设备(如交换机、路由器)、控制器以及应用层的构成,分析了各部分的角色和交互方式。 4. **SDN的优势**:讨论了SDN带来的好处,如提高网络的灵活性、可扩展性,简化网络管理,以及支持创新的网络服务和策略。 5. **安全性与挑战**:探讨了SDN在安全方面可能面临的问题,如集中式控制器的安全隐患、数据平面的攻击面扩大等,并提出了相应的解决方案。 6. **SDN的应用场景**:列举了SDN在数据中心网络、云计算、虚拟化环境、广域网优化、网络安全等领域中的实际应用案例,展示了SDN技术的广泛影响力。 7. **控制器平台与框架**:介绍了一些主流的SDN控制器,如OpenDaylight、ONOS等,以及相关的开发框架和工具,帮助读者理解如何构建和部署SDN解决方案。 8. **未来发展趋势**:分析了SDN技术的未来发展方向,包括NFV(网络功能虚拟化)、边缘计算、5G网络等,预示了SDN在下一代网络中的关键作用。 本书不仅适合网络工程师、研究人员和学者深入学习SDN,也适合作为高校相关专业的教材,通过理论与实践相结合的方式,帮助读者掌握SDN技术并应用于实际网络环境中。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

PHP图片上传扩展应用:实现图片裁剪、水印和压缩功能

![PHP图片上传扩展应用:实现图片裁剪、水印和压缩功能](https://st0.dancf.com/market-operations/market/side/1701682825707.jpg) # 1. PHP图片上传扩展介绍 PHP提供了多种图片上传扩展,允许开发者轻松地将图片上传到服务器。这些扩展包括: - **GD库:**一个用于处理图像的标准PHP扩展,提供基本的图片操作功能,如裁剪、缩放和添加水印。 - **ImageMagick:**一个功能强大的命令行工具,可用于执行更高级的图像处理任务,如复杂的裁剪、颜色校正和格式转换。 # 2. PHP图片裁剪技术 ### 2
recommend-type

sentinel 热点限流nacos配置

Sentinel 是阿里巴巴开源的一个流量控制框架,它支持热点限流功能。要通过 Nacos 配置 Sentinel 的热点限流,首先需要在 Nacos 中管理 Sentinel 相关的服务发现配置。 1. **创建Nacos配置**: - 登录到 Nacos 控制台,进入 `配置` 或者 `Config Center` 页面。 - 创建一个新的数据源,用于存放 Sentinel 的配置文件,比如命名空间为 `sentinel-config`。 2. **配置热点规则**: - 编辑一个名为 `hot_rule.yaml` 或类似名称的配置文件,添加如下内容: `
recommend-type

HP9000服务器宝典:从入门到进阶

"HP9000非常宝典.pdf" 这篇文档是关于HP9000服务器的详尽指南,涵盖了从基础概念到高级操作的多个方面。以下是文档中提到的一些关键知识点: 1. HP9000服务器:这是惠普公司生产的一系列高性能、可靠性高的企业级服务器,主要面向大型企业和组织。 2. 服务器产品分类:服务器通常按照功能、性能和规模进行分类,如入门级、部门级、企业级等,HP9000可能包括其中的不同型号。 3. CPU:服务器的核心组件,文档中可能介绍了HP9000所使用的处理器类型及其特性。 4. 配置相关信息:这部分内容涉及如何配置服务器硬件,如内存、硬盘、网络接口等,以及如何检查系统配置信息。 5. 维护相关信息:包括如何进行日常维护,如监控系统状态、错误日志分析、硬件更换等。 6. ModelString、SWID和ssconfig:这些是HP服务器特有的标识符和工具,用于识别和管理硬件及软件。 7. 操作系统:文档可能详细介绍了支持HP9000的多种操作系统,如HP-UX、Linux等,并可能涉及启动流程。 8. 启动过程:从开机到操作系统加载的整个流程,包括PDC(Processor Dependent Code)、ISL、LoadKernel、Startsubsystem、初始化脚本如/etc/init、/sbin/bcheckrc、/etc/rc.config、/sbin/rc等。 9. Init进程问题:讨论了当命令反复启动过快时,系统如何处理,如"Init: Command is Respawning Too Rapidly"。 10. 登录与权限:描述了用户登录系统的过程,以及权限管理和认证。 11. Patches和应用软件安装:讲述了如何列出、安装和验证补丁,以及补丁评级和打包安装方法。还提到了补丁光盘和标准补丁包-SupportPlus。 12. 系统核心(Kernel):核心是操作系统的核心部分,文档可能讲解了其作用、如何手工编译生成新的核心。 13. LVM (Logical Volume Manager):一种磁盘管理技术,允许动态扩展和管理磁盘空间。文档给出了创建镜像、LVM磁盘结构、pvcreate、mkboot、vgcfgbackup/vgcfgrestore、vgchange等操作的实例。 14. 集群和高可用性:如MC/ServiceGuard,介绍了节点(node)、共享存储、心跳线、备份网卡和锁盘的概念,以及如何实现高可用性。 15. CrashDump与HPMC:CrashDump是系统崩溃时保存的内存转储,用于故障分析。HPMC(Machine Console)提供了远程监控和管理服务器的功能。文档介绍了如何配置DumpDevice、保存和分析CrashDump,以及收集和分析HPMC数据。 此文档对于理解和管理HP9000服务器系统具有极高的参考价值,无论是对于初学者还是经验丰富的管理员,都能从中获得宝贵的信息。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

PHP图片上传性能监控与分析:识别性能瓶颈并优化上传流程

![PHP图片上传性能监控与分析:识别性能瓶颈并优化上传流程](https://embed-ssl.wistia.com/deliveries/41ccfbce47f61e2883c01ed91797198b.webp?image_crop_resized=960x540) # 1. PHP图片上传概述** PHP图片上传是一种将图片文件从客户端传输到服务器的过程。它涉及多个步骤,包括: - **客户端准备:**用户选择要上传的图片文件。 - **网络传输:**图片文件通过HTTP请求发送到服务器。 - **服务器处理:**服务器接收文件,将其保存到指定位置并执行任何必要的处理(例如,验证
recommend-type

在labelimg里删改了标签后,labelimg闪退怎么解决

LabelImg是一款用于图像标注的工具,如果在修改标签后遇到闪退的问题,可以尝试以下几个步骤来解决问题: 1. **更新到最新版本**:检查LabelImg是否有新版本发布,有时软件的bug可能已经在后续更新中修复。 2. **清除缓存和数据**:关闭LabelImg后,删除其安装目录下的.cache文件夹,这通常位于应用程序数据路径下,清理这部分可能导致的配置冲突。 3. **检查文件损坏**:确保你正在处理的图像文件没有损坏,有时候错误的文件可能会导致程序崩溃。 4. **错误日志排查**:查找LabelImg安装目录下的logs文件夹,查看是否存在异常的日志信息,可以帮助定位问