向量相似度的算法实现（信息检索） python

向量相似度的算法实现

实验目的：

通过实验，使学生掌握向量相似度的基本实现方法。

实验内容：

向量空间模型是信息检索中最重要的形式化模型之一，向量相似度是对向量空间模型评分的重要依据。本实验需要编程实现向量相似度的基本算法。P78

要求：

输入：查询（如 “best car insurance”），文档（如“car insurance auto insurance”），文档总数N的值（如1000000）
，文档中每个词的文档频率df
输出：向量相似度的值
编程语言：Python

例子

伪代码

代码完整版

# 使用nnc.ltn方法

import math
import re

def Vector_similarity():
    # 输入查询和文档
    injury = input("请输入查询： ")
    doc = input("请输入文档： ")
    # injury = "best car insurance"
    # doc = "car insurance auto insurance"

    # 输入检索（参与计算）的词项,并且输入df
    word_retrieve = []
    df = []
    while(1):
        tem = input("请输入词项并按下回车，结束直接按下回车")
        if tem != '':
            word_retrieve.append(tem)
            df.append(int(input("请输入{}的df：".format(tem))))
        else:
            break
    # df = [5000, 50000, 10000, 1000]
    # word_retrieve = ["auto", "best", "car", "insurance"]

    # 输入文档总频率
    N = int(input("输入文档总频率: "))
    # N = 1000000

    #将输入的查询和文档 injury和doc 提取英文单词并存至列表
    injury_list = re.findall('[a-zA-Z0-9|-]+', injury)
    doc_list = re.findall('[a-zA-Z0-9|-]+', doc)
    print("查询的所有单词项为： ", injury_list)
    print("文档的所有单词项为： ", doc_list)

    #计算待检索词项在查询中和在文档中出现的频率并存入字典
    dic_injury ={
     }
    dic_doc = {
     }
    for i in range(len(word_retrieve)):
        count = 0
        for j in range(len(injury_list)):
            if word_retrieve[i] == injury_list[j]:
                count += 1
        dic_injury[word_retrieve[i]] = count
        count = 0
        for j in range(len(doc_list)):
            if word_retrieve[i] == doc_list[j]:
                count += 1
        dic_doc[word_retrieve[i]] = count
    print("查询中tf为：", dic_injury)
    print("文档中tf为：", dic_doc)

    #计算  idf
    idf = [math.log(N/per_df, 10) for per_df in df]
    print("查询中idf为：", idf)
    W_tq = {
     }
    W_td = {
     }
    #计算余弦平方
    sum_doc = 0
    for i in dic_doc.values():
        sum_doc += pow(i, 2)
    pow2 = pow(sum_doc, 0.5)
    print("pow2(即平方和开根号)值为: ", pow2)
    #计算W_tq， W_td
    inner_mutiply = 0 #计算内积
    for i in range(len(word_retrieve)):
        W_tq[word_retrieve[i]] = dic_injury[word_retrieve[i]] * idf[i]
        W_td[word_retrieve[i]] = dic_doc[word_retrieve[i]] / pow2
        inner_mutiply += W_tq[word_retrieve[i]] * W_td[word_retrieve[i]]
    print("查询的W_tq=wf（查询）*idf值为： ", W_tq)
    print("查询的W_td=wf(文档)/pow2(即平方和开根号)值为： ", W_td)
    print("内积和最终结果为：\n", inner_mutiply)


if __name__ == '__main__':
    Vector_similarity()

运行截图