濮阳杆衣贸易有限公司

主頁(yè) > 知識(shí)庫(kù) > 利用Python過(guò)濾相似文本的簡(jiǎn)單方法示例

利用Python過(guò)濾相似文本的簡(jiǎn)單方法示例

熱門標(biāo)簽:甘肅高頻外呼系統(tǒng) 滴滴地圖標(biāo)注公司 如何申請(qǐng)400電話代理 天津塘沽區(qū)地圖標(biāo)注 江門智能電話機(jī)器人 智能電話機(jī)器人調(diào)研 400電話在線如何申請(qǐng) 地圖標(biāo)注可以遠(yuǎn)程操作嗎 杭州房產(chǎn)地圖標(biāo)注

問(wèn)題

假設(shè)你在存檔中有成千上萬(wàn)的文檔,其中許多是彼此重復(fù)的,即使文檔的內(nèi)容相同,標(biāo)題不同。 現(xiàn)在想象一下,現(xiàn)在老板要求你通過(guò)刪除不必要的重復(fù)文檔來(lái)釋放一些空間。

問(wèn)題是:如何過(guò)濾標(biāo)題足夠相似的文本,以使內(nèi)容可能相同? 接下來(lái),如何實(shí)現(xiàn)此目標(biāo),以便在完成操作時(shí)不會(huì)刪除過(guò)多的文檔,而保留一組唯一的文檔? 讓我們用一些代碼使它更清楚:

titles = [
 "End of Year Review 2020",
 "2020 End of Year",
 "January Sales Projections",
 "Accounts 2017-2018",
 "Jan Sales Predictions"
]

# Desired output
filtered_titles = [
 "End of Year Review 2020",
 "January Sales Projections",
 "Accounts 2017-2018",
]

根據(jù)以上的問(wèn)題,本文適合那些希望快速而實(shí)用地概述如何解決這樣的問(wèn)題并廣泛了解他們同時(shí)在做什么的人!

接下來(lái),我將介紹我為解決這個(gè)問(wèn)題所采取的不同步驟。下面是控制流的概要:

預(yù)處理所有標(biāo)題文本

生成所有標(biāo)題成對(duì)

測(cè)試所有對(duì)的相似性

如果一對(duì)文本未能通過(guò)相似性測(cè)試,則刪除其中一個(gè)文本并創(chuàng)建一個(gè)新的文本列表

繼續(xù)測(cè)試這個(gè)新的相似的文本列表,直到?jīng)]有類似的文本留下

用Python表示,這可以很好地映射到遞歸函數(shù)上!

代碼

下面是Python中實(shí)現(xiàn)此功能的兩個(gè)函數(shù)。

import spacy
from itertools import combinations


# Set globals
nlp = spacy.load("en_core_web_md")

def pre_process(titles):
 """
 Pre-processes titles by removing stopwords and lemmatizing text.
 :param titles: list of strings, contains target titles,.
 :return: preprocessed_title_docs, list containing pre-processed titles.
 """

 # Preprocess all the titles
 title_docs = [nlp(x) for x in titles]
 preprocessed_title_docs = []
 lemmatized_tokens = []
 for title_doc in title_docs:
  for token in title_doc:
   if not token.is_stop:
    lemmatized_tokens.append(token.lemma_)
  preprocessed_title_docs.append(" ".join(lemmatized_tokens))
  del lemmatized_tokens[
   :
   ] # empty the lemmatized tokens list as the code moves onto a new title

 return preprocessed_title_docs

def similarity_filter(titles):
 """
 Recursively check if titles pass a similarity filter.
 :param titles: list of strings, contains titles.
 If the function finds titles that fail the similarity test, the above param will be the function output.
 :return: this method upon itself unless there are no similar titles; in that case the feed that was passed
 in is returned.
 """

 # Preprocess titles
 preprocessed_title_docs = pre_process(titles)

 # Remove similar titles
 all_summary_pairs = list(combinations(preprocessed_title_docs, 2))
 similar_titles = []
 for pair in all_summary_pairs:
  title1 = nlp(pair[0])
  title2 = nlp(pair[1])
  similarity = title1.similarity(title2)
  if similarity > 0.8:
   similar_titles.append(pair)

 titles_to_remove = []
 for a_title in similar_titles:
  # Get the index of the first title in the pair
  index_for_removal = preprocessed_title_docs.index(a_title[0])
  titles_to_remove.append(index_for_removal)

 # Get indices of similar titles and remove them
 similar_title_counts = set(titles_to_remove)
 similar_titles = [
  x[1] for x in enumerate(titles) if x[0] in similar_title_counts
 ]

 # Exit the recursion if there are no longer any similar titles
 if len(similar_title_counts) == 0:
  return titles

 # Continue the recursion if there are still titles to remove
 else:
  # Remove similar titles from the next input
  for title in similar_titles:
   idx = titles.index(title)
   titles.pop(idx)
   
  return similarity_filter(titles)

if __name__ == "__main__":
 your_title_list = ['title1', 'title2']
 similarty_filter(your_title_list)

第一個(gè)是預(yù)處理標(biāo)題文本的簡(jiǎn)單函數(shù);它刪除像' the ', ' a ', ' and '這樣的停止詞,并只返回標(biāo)題中單詞的引理。

如果你在這個(gè)函數(shù)中輸入“End of Year Review 2020”,你會(huì)得到“end year review 2020”作為輸出;如果你輸入“January Sales Projections”,你會(huì)得到“january sale projection”。

它主要使用了python中非常容易使用的spacy庫(kù).

第二個(gè)函數(shù)(第30行)為所有標(biāo)題創(chuàng)建配對(duì),然后確定它們是否通過(guò)了余弦相似度測(cè)試。如果它沒(méi)有找到任何相似的標(biāo)題,那么它將輸出一個(gè)不相似標(biāo)題的列表。但如果它確實(shí)找到了相似的標(biāo)題,在刪除沒(méi)有通過(guò)相似度測(cè)試的配對(duì)后,它會(huì)將這些過(guò)濾后的標(biāo)題再次發(fā)送給它自己,并檢查是否還有相似的標(biāo)題。

這就是為什么它是遞歸的!簡(jiǎn)單明了,這意味著函數(shù)將繼續(xù)檢查輸出,以真正確保在返回“最終”輸出之前沒(méi)有類似的標(biāo)題。

什么是余弦相似度?

但簡(jiǎn)而言之,這就是spacy在幕后做的事情……

首先,還記得那些預(yù)處理過(guò)的工作嗎?首先,spacy把我們輸入的單詞變成了一個(gè)數(shù)字矩陣。

一旦它完成了,你就可以把這些數(shù)字變成向量,也就是說(shuō)你可以把它們畫在圖上。

一旦你這樣做了,計(jì)算兩條直線夾角的余弦就能讓你知道它們是否指向相同的方向。

所以,在上圖中,想象一下,A線代表“閃亮的橙色水果”,B線代表“閃亮的紅蘋果是一種水果”。

在這種情況下,行A和行B都對(duì)應(yīng)于空格為這兩個(gè)句子創(chuàng)建的數(shù)字矩陣。這兩條線之間的角度——在上面的圖表中由希臘字母theta表示——是非常有用的!你可以計(jì)算余弦來(lái)判斷這兩條線是否指向同一個(gè)方向。

這聽(tīng)起來(lái)似乎是顯而易見(jiàn)的,難以計(jì)算,但關(guān)鍵是,這種方法為我們提供了一種自動(dòng)化整個(gè)過(guò)程的方法。

總結(jié)

回顧一下,我已經(jīng)解釋了遞歸python函數(shù)如何使用余弦相似性和spacy自然語(yǔ)言處理庫(kù)來(lái)接受相似文本的輸入,然后返回彼此不太相似的文本。

可能有很多這樣的用例……類似于我在本文開(kāi)頭提到的歸檔用例,你可以使用這種方法在數(shù)據(jù)集中過(guò)濾具有惟一歌詞的歌曲,甚至過(guò)濾具有惟一內(nèi)容類型的社交媒體帖子。

到此這篇關(guān)于利用Python過(guò)濾相似文本的簡(jiǎn)單方法的文章就介紹到這了,更多相關(guān)Python過(guò)濾相似文本內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

您可能感興趣的文章:
  • python使用jieba實(shí)現(xiàn)中文分詞去停用詞方法示例
  • Python實(shí)現(xiàn)敏感詞過(guò)濾的4種方法
  • Python過(guò)濾序列元素的方法
  • python numpy實(shí)現(xiàn)多次循環(huán)讀取文件 等間隔過(guò)濾數(shù)據(jù)示例
  • python正則過(guò)濾字母、中文、數(shù)字及特殊字符方法詳解
  • python基礎(chǔ)之停用詞過(guò)濾詳解

標(biāo)簽:德宏 臨汾 東莞 長(zhǎng)春 漢中 河池 廊坊 重慶

巨人網(wǎng)絡(luò)通訊聲明:本文標(biāo)題《利用Python過(guò)濾相似文本的簡(jiǎn)單方法示例》,本文關(guān)鍵詞  利用,Python,過(guò)濾,相似,文本,;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問(wèn)題,煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們,我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無(wú)關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《利用Python過(guò)濾相似文本的簡(jiǎn)單方法示例》相關(guān)的同類信息!
  • 本頁(yè)收集關(guān)于利用Python過(guò)濾相似文本的簡(jiǎn)單方法示例的相關(guān)信息資訊供網(wǎng)民參考!
  • 推薦文章
    古蔺县| 修武县| 德庆县| 外汇| 浪卡子县| 中阳县| 舟山市| 桂平市| 岢岚县| 容城县| 萍乡市| 嫩江县| 大足县| 睢宁县| 涟源市| 赣榆县| 鱼台县| 维西| 济宁市| 酉阳| 长阳| 卓资县| 襄汾县| 桐柏县| 竹溪县| 自治县| 高密市| 绩溪县| 临江市| 宁阳县| 盱眙县| 哈尔滨市| 江山市| 涞源县| 平武县| 鹤岗市| 石屏县| 建水县| 南通市| 广汉市| 万源市|