Podobieństwa tekstowe

Budowanie systemów rekomendacji w Pythonie

Rob O'Callaghan

Director of Data

Praca bez wyraźnych atrybutów

Przykład opisu produktu na Amazon.

Częstość terminu – odwrotna częstość dokumentowa

$$ \Large{\text{TF-IDF} = \frac{\frac{\text{Liczba wystąpień słowa}}{\text{Łączna liczba słów w dokumencie}}}{\log({\frac{\text{Liczba dokumentów zawierających słowo}}{\text{Łączna liczba dokumentów}}})}} $$

Nasze dane

book_summary_df:

Book	Description
The Hobbit	"Bilbo Baggins lives a simple life with his fellow hobbits in the shire..."
The Great Gatsby	"Set in Jazz Age New York, the novel tells the tragic story of Jay ..."
A Game of Thrones	"15 years have passed since Robert's rebellion, with a nine-year-long ..."
Macbeth	"A brave Scottish general receives a prophecy from a trio of witches ..."
...	...

Inicjalizacja wektoryzatora

from sklearn.feature_extraction.text import TfidfVectorizer

tfidfvec = TfidfVectorizer(        ,           )

Filtrowanie danych

from sklearn.feature_extraction.text import TfidfVectorizer

tfidfvec = TfidfVectorizer(min_df=2,           )

Filtrowanie danych

from sklearn.feature_extraction.text import TfidfVectorizer

tfidfvec = TfidfVectorizer(min_df=2, max_df=0.7)

Wektoryzacja danych

vectorized_data = tfidfvec.fit_transform(book_summary_df['Descriptions'])

print(tfidfvec.get_feature_names)

['age', 'ancient', 'angry', 'brave', 'battle', 'fellow', 'game', 'general', ...]

print(vectorized_data.to_array())

[[0.21,      0.53,    0.41,    0.64,     0.01,     0.02,     ...
 [0.31,      0.00,    0.42,    0.03,     0.00,     0.73,     ...
 [...,        ...,     ...,     ...,      ...,      ...,     ...

Formatowanie danych

tfidf_df = pd.DataFrame(vectorized_data.toarray(),
                        columns=tfidfvec.get_feature_names())

tfidf_df.index = book_summary_df['Book']

print(tfidf_df)

                   | 'age'| 'ancient'| 'angry'| 'brave'| 'battle'| 'fellow'|...
|------------------|------|----------|--------|--------|---------|---------|...
| The Hobbit       |  0.21|      0.53|    0.41|    0.64|     0.01|     0.02|...
| The Great Gatsby |  0.31|      0.00|    0.42|    0.03|     0.00|     0.73|...
| A Game of Thrones|  0.61|      0.42|    0.77|    0.31|     0.83|     0.03|...
|               ...|   ...|       ...|     ...|     ...|      ...|      ...|...

Podobieństwo cosinusowe

Odległość cosinusowa: $$cos(\theta)=\frac{A.B }{||A||\cdot||B||}$$

Podobieństwo cosinusowe

from sklearn.metrics.pairwise import cosine_similarity

# Find similarity between all items
cosine_similarity_array = cosine_similarity(tfidf_summary_df)

# Find similarity between two items
cosine_similarity(tfidf_df.loc['The Hobbit'].values.reshape(1, -1),
                  tfidf_df.loc['Macbeth'].values.reshape(1, -1))

Czas na ćwiczenia!

Budowanie systemów rekomendacji w Pythonie