【机器学习】使用gensim 的 doc2vec 实现文本相似度检测

环境

Python3，

gensim，jieba，numpy ，pandas

原理：文章转成向量，然后在计算两个向量的余弦值。

Gensim

gensim是一个python的自然语言处理库，能够将文档根据TF-IDF, LDA, LSI 等模型转化成向量模式，gensim还实现了word2vec功能，以便进行进一步的处理。

具体API看官网：https://radimrehurek.com/gensim

中文分词
中文需要分词，英文就不需要了，分词用的 jieba 。
def segment(doc: str):
“””中文分词

   Arguments:
       doc {str} -- 输入文本
   Returns:
       [type] -- [description]
   """
   # 停用词
   stop_words = pd.read_csv("./data/stopwords_TUH.txt", index_col=False, quoting=3,
                            names=['stopword'],
                            sep="\n",
                            encoding='utf-8')
   stop_words = list(stop_words.stopword)
# 去掉html标签数字等
   reg_html = re.compile(r'<[^>]+>', re.S)
   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

训练 Doc2Vec 模型
模型参数下面说明，先上代码
def train():
“””训练 Doc2Vec 模型
“””

   # 先把所有文档的路径存进一个 array中，docLabels：
   data_dir = "./data/corpus_words"
   docLabels = [f for f in listdir(data_dir) if f.endswith('.txt')]

   data = []
   for doc in docLabels:
       ws = open(data_dir + "/" + doc, 'r', encoding='UTF-8').read()
       data.append(ws)

   print(len(data))
   # 训练 Doc2Vec，并保存模型：
   sentences = LabeledLineSentence(data, docLabels)
   # 实例化一个模型
   model = gensim.models.Doc2Vec(vector_size=256, window=10, min_count=5,
                                 workers=4, alpha=0.025, min_alpha=0.025, epochs=12)
   model.build_vocab(sentences)
   print("开始训练...")
   # 训练模型
   model.train(sentences, total_examples=model.corpus_count, epochs=12)

   model.save("./models/doc2vec.model")
   print("model saved")

保存成功后会有三个文件，分别是：doc2vec.model，doc2vec.model.trainables.syn1neg.npy，doc2vec.model.wv.vectors.npy
Doc2Vec参数说明：
· vector_size：是指特征向量的维度，默认为100。大的size需要更多的训练数据,但是效果会更好.
· window：表示当前词与预测词在一个句子中的最大距离是多少
· alpha: 是学习速率
· min_count: 可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5
· workers参数控制训练的并行数。
· epochs：迭代次数，默认为5

文本转换成向量
利用之前保存的模型，把分词后的分本转成向量，代码如下
def sent2vec(model, words):
“””文本转换成向量

   Arguments:
       model {[type]} -- Doc2Vec 模型
       words {[type]} -- 分词后的文本

   Returns:
       [type] -- 向量数组
   """

   vect_list = []
   for w in words:
       try:
           vect_list.append(model.wv[w])
       except:
           continue
   vect_list = np.array(vect_list)
   vect = vect_list.sum(axis=0)
   return vect / np.sqrt((vect ** 2).sum())

计算两个向量余弦值
余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦相似度将向量根据坐标值，绘制到向量空间中，如最常见的二维空间。
余弦值的范围在[-1,1]之间，值越趋近于1，代表两个向量的方向越接近；越趋近于-1，他们的方向越相反；接近于0，表示两个向量近乎于正交。
最常见的应用就是计算文本相似度。将两个文本根据他们词，建立两个向量，计算这两个向量的余弦值，就可以知道两个文本在统计学方法中他们的相似度情况。实践证明，这是一个非常有效的方法。

公式：
def similarity(a_vect, b_vect):
“””计算两个向量余弦值

       Arguments:
           a_vect {[type]} -- a 向量
           b_vect {[type]} -- b 向量
       
       Returns:
           [type] -- [description]
       """
   
       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

预测
def test_model():
print(“load model”)
model = gensim.models.Doc2Vec.load(‘./models/doc2vec.model’)

   st1 = open('./data/courpus_test/t1.txt', 'r', encoding='UTF-8').read()
   st2 = open('./data/courpus_test/t2.txt', 'r', encoding='UTF-8').read()
   # 分词
   print("segment")
   st1 = segment(st1)
   st2 = segment(st2)
   # 转成句子向量
   vect1 = sent2vec(model, st1)
   vect2 = sent2vec(model, st2)

   # 查看变量占用空间大小
   import sys
   print(sys.getsizeof(vect1))
   print(sys.getsizeof(vect2))

   cos = similarity(vect1, vect2)
   print("相似度：{:.4f}".format(cos))

看下效果：

完全相同的文章