編輯距離

編輯距離，又稱為Levenshtein距離，是用于計算一個字符串轉換為另一個字符串時，插入、刪除和替換的次數。例如，將'dad'轉換為'bad'需要一次替換操作，編輯距離為1。

nltk.metrics.distance.edit_distance函數實現了編輯距離。

from nltk.metrics.distance import edit_distancestr1 = 'bad'str2 = 'dad'print(edit_distance(str1, str2))

N元語法相似度

n元語法只是簡單地表示文本中n個標記的所有可能的連續序列。n元語法具體是這樣的

import nltk#這里展示2元語法text1 = 'Chief Executive Officer'#bigram考慮匹配開頭和結束，所有使用pad_right和pad_leftceo_bigrams = nltk.bigrams(text1.split(),pad_right=True,pad_left=True)print(list(ceo_bigrams))[(None, 'Chief'), ('Chief', 'Executive'), ('Executive', 'Officer'), ('Officer', None)]

2元語法相似度計算

import nltk#這里展示2元語法def bigram_distance(text1, text2):  #bigram考慮匹配開頭和結束，所以使用pad_right和pad_left  text1_bigrams = nltk.bigrams(text1.split(),pad_right=True,pad_left=True)    text2_bigrams = nltk.bigrams(text2.split(), pad_right=True, pad_left=True)    #交集的長度  distance = len(set(text1_bigrams).intersection(set(text2_bigrams)))    return distancetext1 = 'Chief Executive Officer is manager'text2 = 'Chief Technology Officer is technology manager'print(bigram_distance(text1, text2)) #相似度為3

jaccard相似性

jaccard距離度量的兩個集合的相似度，它是由 （集合1交集合2）/（結合1交結合2）計算而來的。

實現方式

from nltk.metrics.distance import jaccard_distance#這里我們以單個的字符代表文本set1 = set(['a','b','c','d','a'])set2 = set(['a','b','e','g','a'])print(jaccard_distance(set1, set2))

0.6666666666666666

masi距離

masi距離度量是jaccard相似度的加權版本，當集合之間存在部分重疊時，通過調整得分來生成小于jaccard距離值。

from nltk.metrics.distance import jaccard_distance,masi_distance#這里我們以單個的字符代表文本set1 = set(['a','b','c','d','a'])set2 = set(['a','b','e','g','a'])print(jaccard_distance(set1, set2))print(masi_distance(set1, set2))

0.6666666666666666
0.22000000000000003

余弦相似度

nltk提供了余弦相似性的實現方法，比如有一個詞語空間

word_space = [w1,w2,w3,w4]text1 = 'w1 w2 w1 w4 w1'text2 = 'w1 w3 w2'#按照word_space位置，計算每個位置詞語出現的次數text1_vector = [3,1,0,1]text2_vector = [1,1,1,0]

[3,1,0,1]意思是指w1出現了3次，w2出現了1次，w3出現0次，w4出現1次。

好了下面看代碼，計算text1與text2的余弦相似性

from nltk.cluster.util import cosine_distancetext1_vector = [3,1,0,1]text2_vector = [1,1,1,0]print(cosine_distance(text1_vector,text2_vector))