我有来自 srt 字幕文件的歌词。如果我想将它们与另一个歌词网站上的节进行匹配，最好的方法是什么？
我的方法是使用 tf-idf 向量每个歌词行并尝试模糊匹配到 staza，使用歌词行的开始和结束时间作为线索是否该行可能属于前一个节，下一个节，或属于它自己的节。
我也尝试过动态编程，但不太成功。由于歌词和节的结构差异很大，有时结果会完全偏移或混乱，特别是如果有重复的合唱。
如果有循环神经网络或其他机器学习算法，是否有解决此类问题的现有方法？
【问题讨论】：
标签： machine-learning nlp sentence-similarity
我建议使用 Doc2Vec 或 Word2Vec 方法，基本上你用一些语料库训练一个 NN，NN 将为每个单词/文档生成一个向量，这些向量将根据现实世界中单词的相似性（语料库）具有相似性
所以 love 和 care 的向量将非常相似，这些向量具有一些其他很酷的属性，例如，如果你减去或添加它们，你可以得到一个拥有一些的词变电站或加法的含义
一旦你得到单词或文档的向量，你可以用各种方法检查向量之间的相似性，常用的是cosine similarity
此方法与 tf-idf 混合以生成权重以获得最佳结果
使用很简单，例如
from gensim.models import Word2Vec
from nltk.corpus import brown
b = Word2Vec(brown.sents())
print b.most_similar('money', topn=5)
输出
[(u'care', 0.9145717024803162), (u'chance', 0.9034961462020874), (u'job', 0.8980690240859985), (u'trouble', 0.8751360774040222), (u'everything', 0.873866856098175)]
建议去gensim看看
【讨论】：