【Python】最近开肝MIT006,附上自己的理解,不定时更新 Lec02

Document Distance

文本相似度

它常用于搜索引擎中,MIT举的例子是Google,但为了更好的理解,这里以百度为例,思路其实差不都。
例如你有一天躺在床上刷抖音的时候,刷到了一篇鸡汤,幡然醒悟励志成为一名算法大师,于是你在百度上搜索‘如何从小白成为一个算法大佬’,那么百度会给你列出这些内容
【Python】最近开肝MIT006,附上自己的理解,不定时更新 Lec02
显然百度没有搜索到与这个文本相匹配的内容,但是它给了你许多类似的搜索,与‘如何从小白成为一个算法大佬’相似的文本,这就是Document Distance所做的,不过百度肯定不只用了这个算法。

对于Document Distance算法的理解

首先这个算法有几个默认的前提

  • 单词组成的序列 (类似于你可以搜索 how to become handsome,但你不能乱输 asjkhbfjkashbfjksadg这种东西)
  • 由字母,数字,字符组成(A-Z 0-9)

现在我有两个文本
D1 = 'the dog'
D2 = 'the cat'
如何衡量这两个文本的相似度,如果将文本抽象成一个向量,那么向量的相似度有一个东西可以衡量----内积(inner product)
内积是一个标量,反应着两个向量的'相似度',两个向量越相似,内积越大。

那么如何将文本转换成向量呢?

这里偷个懒直接上截图
【Python】最近开肝MIT006,附上自己的理解,不定时更新 Lec02
D1和D2一共有3个单词,可以抽象成一个三维坐标,每个单词为一个坐标轴,这样D1和D2就表示了出来

如何表示内积?

需要用到一点微积分的知识,而积分在离散的计算机里则为求和运算

内积公式:a∙b=a∗b∗cos⁡θ(a向量乘以b向量在a向量上的投影)
D1向量中的'The'出现了一次,长度即为1
D2向量在D1向量上'The'的投影即为D2里出现'The'的次数也为1
两者相乘可以理解为'the'这个子向量的内积,两个文本的内积即为所有单词的内积之和(类似于微积分)

'dog'在D1为1,D2在D1上'dog'的投影为0,因为D2没有dog这个word
'cat'在D1为0,D2在D1上'cat'的投影为1
可以理解为D1 = 1∗the轴 + 1∗dog轴 + 0∗cat轴组成的向量

求出D1和D2的内积为:1∗1 + 1∗0 + 0∗1 = 1

但是光用内积可以衡量两个文本的相似度吗?

再举一个例子
D3 = this is the cat
D4 = that is the dog
那么D3和D4的内积为2,而D1和D2的内积为1,但其实它们都是50%的相似度,但因为文本长度不一样,所以内积不一样。
所以需要一个统一的衡量标准,用它们的内积除以它们的长度。
【Python】最近开肝MIT006,附上自己的理解,不定时更新 Lec02
有没有觉得很熟悉?这时打开我们小学一年级的课本,发现了一个笔记
【Python】最近开肝MIT006,附上自己的理解,不定时更新 Lec02
没错其实这就是两个向量夹角的余弦值
当角度为0度时(cos⁡θ = 1),两个文本完全一样,当角度为90度时(cos⁡θ = 0)两个文本完全不一样,这样就统一了meansure。

所以这个算法的完整步骤应该是

  • 将文本划分成一个个单词
  • 找出每个单词在每个文本中的频率
  • 通过内积公式求出相似度

附MIT python算法实现

import math

# math.acos(x) is the arccosine of x.

# math.sqrt(x) is the square root of x.

import string

import sys

##################################

# Operation 1: read a text file ##

##################################

def read_file(filename):

"""

Read the text file with the given filename;

return a list of the lines of text in the file.

"""

try:

f = open(filename, 'r')

return f.read()

except IOError:

print "Error opening or reading input file: ",filename

sys.exit()

#################################################

# Operation 2: split the text lines into words ##

#################################################

# global variables needed for fast parsing

# translation table maps upper case to lower case and punctuation to spaces

translation_table = string.maketrans(string.punctuation+string.uppercase,

" "*len(string.punctuation)+string.lowercase)

def get_words_from_line_list(text):

"""

Parse the given text into words.

Return list of all words found.

"""

text = text.translate(translation_table)

word_list = text.split()

return word_list

##############################################

# Operation 3: count frequency of each word ##

##############################################

def count_frequency(word_list):

"""

Return a dictionary mapping words to frequency.

"""

D = {}

for new_word in word_list:

if new_word in D:

D[new_word] = D[new_word]+1

else:

D[new_word] = 1

return D

#############################################

## compute word frequencies for input file ##

#############################################

def word_frequencies_for_file(filename):

"""

Return dictionary of (word,frequency) pairs for the given file.

"""

line_list = read_file(filename)

word_list = get_words_from_line_list(line_list)

freq_mapping = count_frequency(word_list)

print "File",filename,":",

print len(line_list),"lines,",

print len(word_list),"words,",

print len(freq_mapping),"distinct words"

return freq_mapping

def inner_product(D1,D2):

"""

Inner product between two vectors, where vectors

are represented as dictionaries of (word,freq) pairs.

Example: inner_product({"and":3,"of":2,"the":5},

{"and":4,"in":1,"of":1,"this":2}) = 14.0

"""

sum = 0.0

for key in D1:

if key in D2:

sum += D1[key] * D2[key]

return sum

def vector_angle(D1,D2):

"""

The input is a list of (word,freq) pairs, sorted alphabetically.

Return the angle between these two vectors.

"""

numerator = inner_product(D1,D2)

denominator = math.sqrt(inner_product(D1,D1)*inner_product(D2,D2))

return math.acos(numerator/denominator)

def main():

if len(sys.argv) != 3:

print "Usage: docdist8.py filename_1 filename_2"

else:

filename_1 = sys.argv[1]

filename_2 = sys.argv[2]

sorted_word_list_1 = word_frequencies_for_file(filename_1)

sorted_word_list_2 = word_frequencies_for_file(filename_2)

distance = vector_angle(sorted_word_list_1,sorted_word_list_2)

print "The distance between the documents is: %0.6f (radians)"%distance

if __name__ == "__main__":

import profile

profile.run("main()")

以上是 【Python】最近开肝MIT006,附上自己的理解,不定时更新 Lec02 的全部内容, 来源链接: utcz.com/a/101955.html

回到顶部