Python：比较不同维度的两个不同 tfidf 矩阵中的项目

Question

我想在包含多行的文件上使用 TfidfVectorizer()，每行都是一个短语。然后我想获取一个包含一小部分短语的测试文件，执行 TfidfVectorizer() 然后获取原始文件和测试文件之间的余弦相似度，以便对于测试文件中的给定短语，我检索其中的前 N 个匹配项原始文件。这是我的尝试：

corpus = tuple(open("original.txt").read().split('\n'))
test = tuple(open("test.txt").read().split('\n'))


from sklearn.feature_extraction.text import TfidfVectorizer

tf = TfidfVectorizer(analyzer='word', ngram_range=(1,3), min_df = 0, stop_words = 'english')
tfidf_matrix =  tf.fit_transform(corpus)
tfidf_matrix2 =  tf.fit_transform(test)

from sklearn.metrics.pairwise import linear_kernel 


def new_find_similar(tfidf_matrix2, index, tfidf_matrix, top_n = 5):
    cosine_similarities = linear_kernel(tfidf_matrix2[index:index+1], tfidf_matrix).flatten()
    related_docs_indices = [i for i in cosine_similarities.argsort()[::-1] if i != index]
    return [(index, cosine_similarities[index]) for index in related_docs_indices][0:top_n]


for index, score in find_similar(tfidf_matrix, 1234567):
       print score, corpus[index]

然而我得到：

for index, score in new_find_similar(tfidf_matrix2, 1000, tfidf_matrix):
       print score, test[index]
Traceback (most recent call last):

  File "<ipython-input-53-2bf1cd465991>", line 1, in <module>
    for index, score in new_find_similar(tfidf_matrix2, 1000, tfidf_matrix):

  File "<ipython-input-51-da874b8d3076>", line 2, in new_find_similar
    cosine_similarities = linear_kernel(tfidf_matrix2[index:index+1], tfidf_matrix).flatten()

  File "C:\Users\arron\AppData\Local\Continuum\Anaconda2\lib\site-packages\sklearn\metrics\pairwise.py", line 734, in linear_kernel
    X, Y = check_pairwise_arrays(X, Y)

  File "C:\Users\arron\AppData\Local\Continuum\Anaconda2\lib\site-packages\sklearn\metrics\pairwise.py", line 122, in check_pairwise_arrays
    X.shape[1], Y.shape[1]))

ValueError: Incompatible dimension for X and Y matrices: X.shape[1] == 66662 while Y.shape[1] == 3332088

我不介意合并两个文件然后进行转换，但我想确保我不会将测试文件中的任何短语与测试文件中的其他短语进行比较。

有什么指点吗？

Answer 1

用语料库中的数据拟合 TfidfVectorizer，然后用已经拟合的向量化器转换测试数据（即不要调用 fit_transform 两次）：

tfidf_matrix =  tf.fit_transform(corpus)
tfidf_matrix2 =  tf.transform(test)

Python：比较不同维度的两个不同 tfidf 矩阵中的项目

Python: compare items within two different tfidf matrices of different dimensions

python

scikit-learn

tf-idf

cosine-similarity