查找两个带有 spacy 的文档共享的令牌百分比答案

【问题标题】：Find the percent of tokens shared by two documents with spacy查找两个带有 spacy 的文档共享的令牌百分比
【发布时间】：2017-05-19 03:00:15
【问题描述】：

对于 nltk，它会是这样的：

def symm_similarity(textA,textB):
    textA = set(word_tokenize(textA))
    textB = set(word_tokenize(textB))    
    intersection = len(textA.intersection(textB))
    difference = len(textA.symmetric_difference(textB))
    return intersection/float(intersection+difference)

由于 spacy 更快，我尝试在 spacy 中进行，但令牌对象似乎没有为此提供快速解决方案。有什么想法吗？

谢谢大家。

【问题讨论】：

标签： nlp nltk similarity symmetric spacy

【解决方案1】：

您的函数获取共享的单词类型的百分比，而不是标记。您正在获取一组单词，而对它们的计数不敏感。

如果您需要记号计数，我希望以下操作会非常快，只要您加载了词汇文件（如果您安装了数据，默认情况下会加载该文件）：

from spacy.attrs import ORTH

def symm_similarity_types(nlp, textA,textB):
    docA = nlp.make_doc(textA)
    docB = nlp.make_doc(textB)
    countsA = Counter(docA.count_by(ORTH))
    countsB = Counter(docB.count_by(ORTH)
    diff = sum(abs(val) for val in (countsA - countsB).values())
    return diff / (len(docA) + len(docB))

如果您想计算与上面的代码完全相同的东西，这里是 spaCy 等价物。 Doc 对象允许您迭代 Token 对象。然后，您应该将计数基于token.orth 属性，它是字符串的整数 ID。我希望使用整数会比字符串集快一点：

def symm_similarity_types(nlp, textA,textB):
    docA = set(w.orth for w in nlp(textA)
    docB = set(w.orth for w in nlp(textB) 
    intersection = len(textA.intersection(textB))
    difference = len(textA.symmetric_difference(textB))
    return intersection/float(intersection+difference)

这应该比 NLTK 版本更有效，因为您使用的是整数集，而不是字符串。

如果您真的关心效率，通常只在 Cython 中工作会更方便，而不是试图猜测 Python 在做什么。这是基本循环：

# cython: infer_types=True
for token in doc.c[:doc.length]
    orth = token.lex.orth

doc.c 是 TokenC*，因此您正在迭代连续内存并取消引用单个指针（token.lex 是 const LexemeC*）

【讨论】：

感谢三段论！你是对的，我在做文字，但对于我的应用程序来说，文字或令牌工作正常。这肯定对我以外的很多人也有用。感谢您的帮助！