Kosinová podobnost

Úvod do zpracování přirozeného jazyka v R

Kasey Jones

Research Data Scientist

Výstup TF-IDF

# A tibble: 1,498 x 6
       X word         n     tf   idf tf_idf
   <int> <chr>    <int>  <dbl> <dbl>  <dbl>
 1    20 january      4 0.0930  2.30  0.214
 2    15 power        4 0.0690  3.00  0.207
 3    19 futures      9 0.0643  3.00  0.193
 4     8 8            6 0.0619  3.00  0.185
 5     3 canada       2 0.0526  3.00  0.158
 6     3 canadian     2 0.0526  3.00  0.158

Kosinová podobnost

míra podobnosti mezi dvěma vektory
měřena úhlem, který vektory svírají

Kosinová podobnost je míra úhlu mezi dvěma vektory – lze si ji představit jako úhel dvou přímek.

¹ https://en.wikipedia.org/wiki/Cosine_similarity

Vzorec kosinové podobnosti

podobnost se vypočítá jako skalární součin dvou vektorů

Skalární součin dvou vektorů udává míru jejich podobnosti.

Hledání podobností – část I

crude_weights <- crude_tibble %>%
  unnest_tokens(output = "word", token = "words", input = text) %>%
  anti_join(stop_words) %>%
  count(word, X) %>%
  bind_tf_idf(word, X, n)

# A tibble: 1,498 x 6
       X word          n    tf   idf tf_idf
   <int> <chr>     <int> <dbl> <dbl>  <dbl>
 1     1 1.50          1 0.25   3.25  0.812
 2     1 16.00         1 1      3.25  3.25 
 3     1 barrel        2 0.133  3.25  0.433
 ...

Párová podobnost

pairwise_similarity(tbl, item, feature, value, ...)

tbl: tabulka nebo tibble
item: porovnávané položky (články, tweety apod.)
feature: sloupec popisující vazbu mezi položkami (tj. slova)
value: sloupec hodnot (tj. n nebo tf_idf)

Hledání podobností – část II

crude_weights %>%
  pairwise_similarity(X, word, tf_idf) %>%
  arrange(desc(similarity))

# A tibble: 380 x 3
   item1 item2 similarity
   <int> <int>      <dbl>
 1    17    16      0.663
 2    16    17      0.663
 3    13    10      0.311
 4    10    13      0.311
 ...

Využití kosinové podobnosti

vyhledávání duplicitních nebo podobných textů
využití při shlukování a klasifikaci
...

Pojďme procvičovat!

Úvod do zpracování přirozeného jazyka v R