Python人工智能之路 - 第四篇 : jieba gensim 最好别分家之最简单的类似度实现

简单的问答已经实现了,那么问题也跟着出现了,我不能肯定问题必定是"你叫什么名字",也有多是"你是谁","你叫啥"之类的,这就引出了人工智能中的另外一项技术:

天然语言处理(NLP) : 大概意思就是 让计算机明白一句话要表达的意思,NLP就至关于计算机在思考你说的话,让计算机知道"你是谁","你叫啥","你叫什么名字"是一个意思

这就要作 : 语义类似度

接下来咱们用Python大法来实现一个简单的天然语言处理

如今又要用到Python强大的三方库了

第一个是将中文字符串进行分词的库叫 jieba

pip install jieba

咱们一般把这个库叫作 结巴分词 确实是结巴分词,并且这个词库是 made in china , 基本用一下这个结巴分词:

import jieba

key_word = "你叫什么名字"  # 定义一句话,基于这句话进行分词

cut_word = jieba.cut(key_word)  # 使用结巴分词中的cut方法对"你叫什么名字" 进行分词

print(cut_word)  # <generator object Tokenizer.cut at 0x03676390> 不懂生成器的话,就忽略这里

cut_word_list = list(cut_word)  # 若是不明白生成器的话,这里要记得把生成器对象作成列表

print(cut_word_list)  # ['你', '叫', '什么', '名字']

测试代码就很明显了,它很清晰的把我们的中文字符串转为列表存储起来了

 

第二个是一个语言训练库叫 gensim

pip install gensim

这个训练库很厉害, 里面封装不少机器学习的算法, 是目前人工智能的主流应用库,这个不是很好理解, 须要必定的Python数据处理的功底

import jieba
import gensim
from gensim import corpora
from gensim import models
from gensim import similarities

l1 = ["你的名字是什么", "你今年几岁了", "你有多高你胸多大", "你胸多大"]
a = "你今年多大了"

all_doc_list = []
for doc in l1:
    doc_list = [word for word in jieba.cut(doc)]
    all_doc_list.append(doc_list)

print(all_doc_list)
doc_test_list = [word for word in jieba.cut(a)]

# 制做语料库
dictionary = corpora.Dictionary(all_doc_list)  # 制做词袋
# 词袋的理解
# 词袋就是将不少不少的词,进行排列造成一个 词(key) 与一个 标志位(value) 的字典
# 例如: {'什么': 0, '你': 1, '名字': 2, '是': 3, '的': 4, '了': 5, '今年': 6, '几岁': 7, '多': 8, '有': 9, '胸多大': 10, '高': 11}
# 至于它是作什么用的,带着问题往下看

print("token2id", dictionary.token2id)
print("dictionary", dictionary, type(dictionary))

corpus = [dictionary.doc2bow(doc) for doc in all_doc_list]
# 语料库:
# 这里是将all_doc_list 中的每个列表中的词语 与 dictionary 中的Key进行匹配
# 获得一个匹配后的结果,例如['你', '今年', '几岁', '了']
# 就能够获得 [(1, 1), (5, 1), (6, 1), (7, 1)]
# 1表明的的是 你 1表明出现一次, 5表明的是 了  1表明出现了一次, 以此类推 6 = 今年 , 7 = 几岁
print("corpus", corpus, type(corpus))

# 将须要寻找类似度的分词列表 作成 语料库 doc_test_vec
doc_test_vec = dictionary.doc2bow(doc_test_list)
print("doc_test_vec", doc_test_vec, type(doc_test_vec))

# 将corpus语料库(初识语料库) 使用Lsi模型进行训练
lsi = models.LsiModel(corpus)
# 这里的只是须要学习Lsi模型来了解的,这里不作阐述
print("lsi", lsi, type(lsi))
# 语料库corpus的训练结果
print("lsi[corpus]", lsi[corpus])
# 得到语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示
print("lsi[doc_test_vec]", lsi[doc_test_vec])

# 文本类似度
# 稀疏矩阵类似度 将 主 语料库corpus的训练结果 做为初始值
index = similarities.SparseMatrixSimilarity(lsi[corpus], num_features=len(dictionary.keys()))
print("index", index, type(index))

# 将 语料库doc_test_vec 在 语料库corpus的训练结果 中的 向量表示 与 语料库corpus的 向量表示 作矩阵类似度计算
sim = index[lsi[doc_test_vec]]

print("sim", sim, type(sim))

# 对下标和类似度结果进行一个排序,拿出类似度最高的结果
# cc = sorted(enumerate(sim), key=lambda item: item[1],reverse=True)
cc = sorted(enumerate(sim), key=lambda item: -item[1])
print(cc)

text = l1[cc[0][0]]

print(a,text)

前方高能