婷婷综合国产,91蜜桃婷婷狠狠久久综合9色 ,九九九九九精品,国产综合av

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(huà)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
    婷婷综合国产,91蜜桃婷婷狠狠久久综合9色 ,九九九九九精品,国产综合av
    亚洲精品国产精华液| 欧美精品久久久久久久久老牛影院| 日韩精品一区二区三区四区视频| 成人免费高清视频| 日韩精品高清不卡| 一区在线观看视频| 26uuu欧美| 狠狠色丁香久久婷婷综合_中| 亚洲欧美另类小说| 久久精品欧美一区二区三区不卡| 欧美色图12p| 97久久久精品综合88久久| 另类专区欧美蜜桃臀第一页| 夜夜嗨av一区二区三区中文字幕| 国产日韩精品一区二区三区在线| 精品理论电影在线| 欧美日韩精品免费观看视频| 在线看不卡av| 欧美综合色免费| 色婷婷久久综合| 色综合中文字幕国产 | 91精品国产综合久久精品图片| 91美女片黄在线| aaa欧美日韩| 91色九色蝌蚪| 91色婷婷久久久久合中文| av在线播放不卡| 成人av片在线观看| 91在线精品一区二区三区| 成人h动漫精品一区二| 成人高清视频在线| 波多野结衣亚洲一区| 92国产精品观看| 欧美三级中文字幕在线观看| 欧美日韩极品在线观看一区| 欧美一区二区三区四区视频| 91精品在线麻豆| 欧美sm美女调教| 国产午夜精品一区二区| 国产视频一区二区在线观看| 成人免费视频在线观看| 一区二区三区日韩| 青青青伊人色综合久久| 激情五月激情综合网| 国产69精品久久99不卡| 成人一区二区三区视频| 91蝌蚪porny| 91精品国产综合久久精品图片 | 国产欧美日韩亚州综合 | 亚洲国产精品欧美一二99| 午夜激情综合网| 紧缚奴在线一区二区三区| 成人激情免费网站| 欧美精选在线播放| 国产网站一区二区| 亚洲最大成人网4388xx| 麻豆国产精品视频| 粉嫩嫩av羞羞动漫久久久| 色女孩综合影院| 欧美一区二区三级| 国产精品免费视频网站| 亚洲.国产.中文慕字在线| 开心九九激情九九欧美日韩精美视频电影| 国产精品夜夜嗨| 欧美在线free| 国产拍揄自揄精品视频麻豆| 亚洲黄网站在线观看| 毛片av一区二区| 色婷婷av一区二区三区之一色屋| 欧美不卡一区二区三区| 国产精品久久久久久户外露出| 婷婷亚洲久悠悠色悠在线播放| 国产精品一区一区三区| 欧美一区二区私人影院日本| 亚洲三级免费电影| 精品亚洲欧美一区| 欧美日韩色综合| 亚洲视频网在线直播| 九色综合狠狠综合久久| 欧美日韩国产系列| 亚洲精品亚洲人成人网在线播放| 中文字幕在线一区免费| 蜜桃av一区二区| 欧美在线观看一二区| 亚洲婷婷综合色高清在线| 精东粉嫩av免费一区二区三区| 欧美色手机在线观看| 亚洲欧美综合色| 国产精品456| 亚洲精品一区二区三区在线观看| 一区av在线播放| 91麻豆自制传媒国产之光| 国产精品美女久久久久久久| 国产精品自拍av| 精品国产成人在线影院| 免费在线观看日韩欧美| 欧美美女直播网站| 亚洲一区二区综合| 欧美伊人久久久久久午夜久久久久| 中文字幕欧美一区| 成人av电影在线网| 国产精品免费丝袜| 成人激情免费网站| 亚洲日穴在线视频| 色婷婷av一区二区三区gif| 日韩伦理电影网| 色噜噜久久综合| 亚洲高清免费观看 | 午夜影院久久久| 欧美在线看片a免费观看| 一区二区国产盗摄色噜噜| 日本韩国一区二区三区视频| 亚洲免费三区一区二区| 欧美综合一区二区三区| 亚洲bt欧美bt精品| 欧美本精品男人aⅴ天堂| 狠狠色狠狠色综合| 欧美经典一区二区三区| www.亚洲精品| 亚洲一区二区三区爽爽爽爽爽| 欧美电影在线免费观看| 日韩色视频在线观看| 777色狠狠一区二区三区| 成人av电影免费在线播放| 国产精品羞羞答答xxdd| 亚洲国产精品久久一线不卡| 久草热8精品视频在线观看| 精品一区二区三区在线视频| 17c精品麻豆一区二区免费| 亚洲免费视频中文字幕| 91精品国产综合久久精品图片| 国产精品污www在线观看| 99精品在线观看视频| 亚洲国产精品久久不卡毛片| 欧美日韩国产高清一区| 国内国产精品久久| 亚洲欧洲制服丝袜| 日韩欧美在线影院| 成人天堂资源www在线| 亚洲香肠在线观看| 国产亚洲欧洲一区高清在线观看| 色94色欧美sute亚洲线路二| 美女视频黄免费的久久| 国产精品乱码一区二区三区软件 | 国产精品免费av| 欧美日韩dvd在线观看| 国产福利一区二区三区视频 | 欧美三级乱人伦电影| 国产伦精品一区二区三区免费| 樱桃视频在线观看一区| 久久精品一区四区| 91精品麻豆日日躁夜夜躁| 91麻豆蜜桃一区二区三区| 一区二区三区欧美久久| 久久综合色综合88| 欧美高清www午色夜在线视频| 国产不卡免费视频| 久久成人综合网| 视频在线观看一区二区三区| 日韩理论电影院| 久久久久99精品国产片| 欧美大胆人体bbbb| 日韩丝袜美女视频| 91精品国产入口| 欧美嫩在线观看| 欧美探花视频资源| 色狠狠av一区二区三区| 不卡的看片网站| 成人免费视频一区| 成人高清免费在线播放| 国产精品一区三区| 高清视频一区二区| 国产99久久久精品| 成人av在线一区二区| 成人av先锋影音| 成人一级片网址| 99这里只有久久精品视频| 99久久精品国产一区| 91网站最新地址| 国产香蕉久久精品综合网| 欧美在线小视频| 午夜成人在线视频| 伊人婷婷欧美激情| 日韩欧美一区二区视频| 91免费视频观看| 爽爽淫人综合网网站| 国产在线播放一区三区四| 99久久久无码国产精品| 一片黄亚洲嫩模| 国产婷婷一区二区| 精品国产乱码久久| 日韩色视频在线观看| 日韩免费成人网| 欧美视频一区在线| 色呦呦日韩精品| 欧美精品丝袜中出| 欧美日韩中文字幕一区| 色噜噜久久综合| 日韩欧美在线观看一区二区三区| 欧美日韩日日夜夜|