校园春色亚洲色图_亚洲视频分类_中文字幕精品一区二区精品_麻豆一区区三区四区产品精品蜜桃

主頁 > 知識庫 > 利用Python過濾相似文本的簡單方法示例

利用Python過濾相似文本的簡單方法示例

熱門標簽:甘肅高頻外呼系統 滴滴地圖標注公司 如何申請400電話代理 天津塘沽區地圖標注 江門智能電話機器人 智能電話機器人調研 400電話在線如何申請 地圖標注可以遠程操作嗎 杭州房產地圖標注

問題

假設你在存檔中有成千上萬的文檔,其中許多是彼此重復的,即使文檔的內容相同,標題不同。 現在想象一下,現在老板要求你通過刪除不必要的重復文檔來釋放一些空間。

問題是:如何過濾標題足夠相似的文本,以使內容可能相同? 接下來,如何實現此目標,以便在完成操作時不會刪除過多的文檔,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",
]

根據以上的問題,本文適合那些希望快速而實用地概述如何解決這樣的問題并廣泛了解他們同時在做什么的人!

接下來,我將介紹我為解決這個問題所采取的不同步驟。下面是控制流的概要:

預處理所有標題文本

生成所有標題成對

測試所有對的相似性

如果一對文本未能通過相似性測試,則刪除其中一個文本并創建一個新的文本列表

繼續測試這個新的相似的文本列表,直到沒有類似的文本留下

用Python表示,這可以很好地映射到遞歸函數上!

代碼

下面是Python中實現此功能的兩個函數。

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)

第一個是預處理標題文本的簡單函數;它刪除像' the ', ' a ', ' and '這樣的停止詞,并只返回標題中單詞的引理。

如果你在這個函數中輸入“End of Year Review 2020”,你會得到“end year review 2020”作為輸出;如果你輸入“January Sales Projections”,你會得到“january sale projection”。

它主要使用了python中非常容易使用的spacy庫.

第二個函數(第30行)為所有標題創建配對,然后確定它們是否通過了余弦相似度測試。如果它沒有找到任何相似的標題,那么它將輸出一個不相似標題的列表。但如果它確實找到了相似的標題,在刪除沒有通過相似度測試的配對后,它會將這些過濾后的標題再次發送給它自己,并檢查是否還有相似的標題。

這就是為什么它是遞歸的!簡單明了,這意味著函數將繼續檢查輸出,以真正確保在返回“最終”輸出之前沒有類似的標題。

什么是余弦相似度?

但簡而言之,這就是spacy在幕后做的事情……

首先,還記得那些預處理過的工作嗎?首先,spacy把我們輸入的單詞變成了一個數字矩陣。

一旦它完成了,你就可以把這些數字變成向量,也就是說你可以把它們畫在圖上。

一旦你這樣做了,計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都對應于空格為這兩個句子創建的數字矩陣。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!你可以計算余弦來判斷這兩條線是否指向同一個方向。

這聽起來似乎是顯而易見的,難以計算,但關鍵是,這種方法為我們提供了一種自動化整個過程的方法。

總結

回顧一下,我已經解釋了遞歸python函數如何使用余弦相似性和spacy自然語言處理庫來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……類似于我在本文開頭提到的歸檔用例,你可以使用這種方法在數據集中過濾具有惟一歌詞的歌曲,甚至過濾具有惟一內容類型的社交媒體帖子。

到此這篇關于利用Python過濾相似文本的簡單方法的文章就介紹到這了,更多相關Python過濾相似文本內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關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實現中文分詞去停用詞方法示例
  • Python實現敏感詞過濾的4種方法
  • Python過濾序列元素的方法
  • python numpy實現多次循環讀取文件 等間隔過濾數據示例
  • python正則過濾字母、中文、數字及特殊字符方法詳解
  • python基礎之停用詞過濾詳解

標簽:德宏 臨汾 東莞 長春 漢中 河池 廊坊 重慶

巨人網絡通訊聲明:本文標題《利用Python過濾相似文本的簡單方法示例》,本文關鍵詞  利用,Python,過濾,相似,文本,;如發現本文內容存在版權問題,煩請提供相關信息告之我們,我們將及時溝通與處理。本站內容系統采集于網絡,涉及言論、版權與本站無關。
  • 相關文章
  • 下面列出與本文章《利用Python過濾相似文本的簡單方法示例》相關的同類信息!
  • 本頁收集關于利用Python過濾相似文本的簡單方法示例的相關信息資訊供網民參考!
  • 推薦文章
    校园春色亚洲色图_亚洲视频分类_中文字幕精品一区二区精品_麻豆一区区三区四区产品精品蜜桃
    欧美日韩卡一卡二| 日本sm残虐另类| 欧美一级二级在线观看| av欧美精品.com| 欧美日韩精品一区视频| 成人欧美一区二区三区白人| 天天综合天天做天天综合| 成人性视频网站| 久久蜜桃av一区精品变态类天堂| 亚洲精品久久嫩草网站秘色| 91官网在线免费观看| 欧美综合一区二区三区| 性欧美大战久久久久久久久| 欧美成人女星排名| 欧亚洲嫩模精品一区三区| 日韩av一级电影| 久久日韩精品一区二区五区| 日本电影亚洲天堂一区| 亚洲午夜私人影院| 久久久噜噜噜久久人人看 | av成人免费在线| 韩国视频一区二区| 国产麻豆日韩欧美久久| 国产盗摄精品一区二区三区在线| 久久成人免费网| 久久爱www久久做| 久久狠狠亚洲综合| 久久99久久精品欧美| 精品一二三四区| 波多野结衣在线一区| 波多野洁衣一区| 欧美日韩dvd在线观看| 日韩一区二区三区四区| 日韩欧美国产精品一区| 久久先锋影音av鲁色资源| 欧美精品久久久久久久多人混战| 日本sm残虐另类| 不卡视频在线看| 欧美日韩国产电影| 26uuuu精品一区二区| 亚洲美女电影在线| 日本美女视频一区二区| 国产高清久久久| 欧美吞精做爰啪啪高潮| 精品国产百合女同互慰| 亚洲欧美激情视频在线观看一区二区三区 | 亚洲午夜激情网页| 蜜桃免费网站一区二区三区| 成人av动漫网站| 欧美日韩精品是欧美日韩精品| 久久综合999| 石原莉奈在线亚洲三区| 国产suv精品一区二区6| 日韩一区国产二区欧美三区| 亚洲青青青在线视频| 成人sese在线| 欧美国产禁国产网站cc| 精品无码三级在线观看视频| 欧美日韩国产美| 亚洲成av人片一区二区梦乃| 久久久久久久综合日本| 亚洲人成精品久久久久久| jvid福利写真一区二区三区| 久久久久久**毛片大全| 国产精品一品二品| 欧美精品一区二区三区四区| 日韩av一区二| 精品国产欧美一区二区| 国产在线日韩欧美| 国产精品久久久久久久午夜片| 成人在线视频一区二区| 国产精品丝袜一区| www.亚洲人| 五月婷婷久久综合| 2014亚洲片线观看视频免费| 国产成人精品在线看| 亚洲激情校园春色| 91精品国产综合久久久久久| 日本麻豆一区二区三区视频| 久久这里只有精品视频网| 成人激情综合网站| 日本怡春院一区二区| 久久先锋影音av| 欧美午夜理伦三级在线观看| 精品一区二区三区在线播放| 中文字幕一区二区三区四区不卡| 777久久久精品| 国产精品国产三级国产有无不卡| 一区二区三区四区视频精品免费| 九色|91porny| 久久er精品视频| 不卡视频在线看| 91丨porny丨在线| 成人晚上爱看视频| 日韩电影网1区2区| 亚洲午夜久久久久中文字幕久| 精品区一区二区| 91麻豆精品国产无毒不卡在线观看| 99在线热播精品免费| 奇米888四色在线精品| 亚洲一卡二卡三卡四卡| 国产精品免费视频观看| 欧美韩日一区二区三区| 久久久美女毛片| 久久精品亚洲麻豆av一区二区| 欧美日韩高清一区二区| 日韩三级伦理片妻子的秘密按摩| 欧美日韩一区二区在线观看视频| 欧洲一区在线电影| 欧美三级电影在线观看| 欧美电视剧在线观看完整版| 中文字幕一区免费在线观看| 成人欧美一区二区三区| 亚洲精品久久7777| 亚洲综合av网| 日韩电影免费在线| 精品综合免费视频观看| 国产aⅴ综合色| 色婷婷精品久久二区二区蜜臀av| 欧美性一级生活| 久久免费偷拍视频| 午夜精品免费在线观看| av电影天堂一区二区在线观看| 91精品国产福利| 日韩av在线免费观看不卡| 色综合天天性综合| 亚洲免费观看高清| 亚洲线精品一区二区三区| 蜜臀99久久精品久久久久久软件| 国产乱码字幕精品高清av| 色欧美乱欧美15图片| 精品成人佐山爱一区二区| 天堂一区二区在线| 99视频精品在线| 久久伊人中文字幕| 日韩成人免费看| 欧美三级韩国三级日本一级| 亚洲视频狠狠干| 成人一区二区视频| 欧美国产精品专区| 成人h动漫精品一区二区| 久久九九全国免费| 国产91清纯白嫩初高中在线观看| 精品国产在天天线2019| 激情偷乱视频一区二区三区| 777xxx欧美| 国产成人综合亚洲网站| 久久久久9999亚洲精品| 欧美三级日韩三级| 久久色.com| 成人免费av资源| 中文字幕精品一区二区三区精品| 久久99国内精品| 欧美xxxx老人做受| 激情成人综合网| 国产精品无遮挡| 91蜜桃免费观看视频| 三级久久三级久久久| 国产欧美日韩视频一区二区 | 精品国产乱码久久久久久浪潮| 天使萌一区二区三区免费观看| 精品久久久久久久久久久久久久久 | 日韩欧美中文字幕精品| 国内成人精品2018免费看| 国产精品天干天干在观线| 欧美丰满少妇xxxxx高潮对白| 国产精品1024| 亚洲福利电影网| 亚洲乱码国产乱码精品精98午夜 | 卡一卡二国产精品| 亚洲国产裸拍裸体视频在线观看乱了| 欧美一二三区精品| 在线观看免费一区| av一本久道久久综合久久鬼色| 九九精品一区二区| 日韩精品免费视频人成| 中文字幕免费不卡| 2020国产精品| 国产三级一区二区| 久久久久久99精品| 26uuu欧美| 欧美日韩三级视频| 国产一区欧美日韩| 日韩**一区毛片| 婷婷久久综合九色综合绿巨人 | 欧美高清激情brazzers| 99re成人在线| 国产成人免费视频一区| 美女网站视频久久| 麻豆一区二区99久久久久| 性做久久久久久免费观看欧美| 中文字幕中文在线不卡住| 国产精品三级av| 国产天堂亚洲国产碰碰| 国产午夜精品久久久久久免费视| 精品国产91乱码一区二区三区 | 26uuu国产电影一区二区| 精品女同一区二区| 欧美大片日本大片免费观看| 欧美一区二区三区在线看|