使用 spacy 查找两个文档共享的标记百分比

Question

对于 nltk，它将是这样的：

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 速度更快，我尝试在 spacy 中进行操作，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。

Answer 1

您的函数获取共享词类型的百分比，而不是标记。你正在使用一组单词，对它们的计数不敏感。

如果你想要记号计数，我希望下面的速度非常快，只要你加载了词汇文件（默认情况下，如果你安装了数据的话）：

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))

如果你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，您应该根据 token.orth 属性进行计数，该属性是字符串的整数 ID。我希望使用整数会比使用字符串集快一点：

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 版本更有效一些，因为您使用的是整数集，而不是字符串。

如果您真的很关心效率，通常只在 Cython 中工作更方便，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 是一个 TokenC*，因此您要遍历连续内存并取消引用单个指针（token.lex 是一个 const LexemeC*）

使用 spacy 查找两个文档共享的标记百分比

Find the percent of tokens shared by two documents with spacy

nlp

nltk

similarity

symmetric

spacy