Gensim 主题模型 Python 工具包 项目简介
Gensim是一个相当专业的主题模型Python工具包。在文本处理中，比如商品评论挖掘，有时需要了解每个评论分别和商品的描述之间的相似度，以此衡量评论的客观性。评论和商品描述的相似度越高，说明评论的用语比较官方，不带太多感情色彩，比较注重描述商品的属性和特性，角度更客观。gensim就是 Python 里面计算文本相似度的程序包。示例代码：针对商品评论和商品描述之间的相似度，怎么使用gensim来计算？原理1、文本相似度计算的需求始于搜索引擎。搜索引擎需要计算“用户查询”和爬下来的众多”网页“之间的相似度，从而把最相似的排在最前返回给用户。2、主要使用的算法是tf-idftf：term frequency词频idf：inverse document frequency倒文档频率主要思想是：如果某个词或短语在一篇文章中出现的频率高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。第一步：把每个网页文本分词，成为词包（bag of words）。第三步：统计网页（文档）总数M。第三步：统计第一个网页词数N，计算第一个网页第一个词在该网页中出现的次数n，再找出该词在所有文档中出现的次数m。则该词的tf-idf 为：n/N * 1/(m/M) （还有其它的归一化公式，这里是最基本最直观的公式）第四步：重复第三步，计算出一个网页所有词的tf-idf 值。第五步：重复第四步，计算出所有网页每个词的tf-idf 值。3、处理用户查询第一步：对用户查询进行分词。第二步：根据网页库（文档）的数据，计算用户查询中每个词的tf-idf 值。4、相似度的计算使用余弦相似度来计算用户查询和每个网页之间的夹角。夹角越小，越相似。