在 python 中找到最相似的句子

Question

建议/参考链接/代码表示赞赏。

我有一个超过 1500 行的数据。每一行都有一个句子。我正在尝试找出在所有句子中找到最相似句子的最佳方法。

我试过的

我试过 K-mean 算法，该算法将相似的句子分组到一个簇中。但是我发现一个缺点，我必须通过 K 才能创建集群。很难猜K。我尝试了 elbo 方法来猜测集群，但将所有分组在一起是不够的。在这种方法中，我将所有数据分组。我正在寻找与 0.90% 以上相似的数据，数据应与 ID 一起返回。
我尝试了余弦相似度，其中我使用 TfidfVectorizer 创建矩阵，然后传入余弦相似度。即使这种方法也无法正常工作。

我在找什么

我想要一种方法，我可以通过一个阈值示例 0.90 数据在所有行中彼此相似超过 0.90% 应该作为结果返回。

Data Sample
ID    |   DESCRIPTION
-----------------------------
10    | Cancel ASN WMS Cancel ASN   
11    | MAXPREDO Validation is corect
12    | Move to QC  
13    | Cancel ASN WMS Cancel ASN   
14    | MAXPREDO Validation is right
15    | Verify files are sent every hours for this interface from Optima
16    | MAXPREDO Validation are correct
17    | Move to QC  
18    | Verify files are not sent

预期结果

以上相似度达 0.90% 的数据应该得到 ID

ID    |   DESCRIPTION
-----------------------------
10    | Cancel ASN WMS Cancel ASN
13    | Cancel ASN WMS Cancel ASN
11    | MAXPREDO Validation is corect  # even spelling is not correct
14    | MAXPREDO Validation is right
16    | MAXPREDO Validation are correct
12    | Move to QC  
17    | Move to QC

Answer 1

一种可能的方法是使用 word-embeddings 创建 vector-representations 个句子。就像你使用预训练的 word-embeddings 并让 rnn 层创建一个句子 vector-representation，其中每个句子的 word-embeddings 被组合在一起。然后你有一个向量，你可以在其中计算它们之间的距离。但是你需要决定，你想设置哪个阈值，所以一个句子被认为是相似的，因为 word-embeddings 的尺度是不固定的。

更新

我做了一些实验。在我看来，这是完成此类任务的可行方法，但是，您可能想亲自了解它在您的案例中的效果如何。我在 git repository.

中创建了一个示例

word-mover-distance 算法也可用于此任务。您可以在此媒体 article.

中找到有关此主题的更多信息

Answer 2

为什么它对余弦相似度和 TFIDF-vectorizer 不起作用？

我试过了，它适用于以下代码：

import pandas as pd
import numpy as np

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

df = pd.DataFrame(columns=["ID","DESCRIPTION"], data=np.matrix([[10,"Cancel ASN WMS Cancel ASN"],
                                                                [11,"MAXPREDO Validation is corect"],
                                                                [12,"Move to QC"],
                                                                [13,"Cancel ASN WMS Cancel ASN"],
                                                                [14,"MAXPREDO Validation is right"],
                                                                [15,"Verify files are sent every hours for this interface from Optima"],
                                                                [16,"MAXPREDO Validation are correct"],
                                                                [17,"Move to QC"],
                                                                [18,"Verify files are not sent"]
                                                                ]))

corpus = list(df["DESCRIPTION"].values)

vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(corpus)

threshold = 0.4

for x in range(0,X.shape[0]):
  for y in range(x,X.shape[0]):
    if(x!=y):
      if(cosine_similarity(X[x],X[y])>threshold):
        print(df["ID"][x],":",corpus[x])
        print(df["ID"][y],":",corpus[y])
        print("Cosine similarity:",cosine_similarity(X[x],X[y]))
        print()

阈值也可以调整，但是0.9的阈值不会得到你想要的结果。

阈值 0.4 的输出是：

10 : Cancel ASN WMS Cancel ASN
13 : Cancel ASN WMS Cancel ASN
Cosine similarity: [[1.]]

11 : MAXPREDO Validation is corect
14 : MAXPREDO Validation is right
Cosine similarity: [[0.64183024]]

12 : Move to QC
17 : Move to QC
Cosine similarity: [[1.]]

15 : Verify files are sent every hours for this interface from Optima
18 : Verify files are not sent
Cosine similarity: [[0.44897995]]

当阈值为 0.39 时，所有预期的句子都是输出中的特征，但也可以找到索引为 [15,18] 的附加对：

10 : Cancel ASN WMS Cancel ASN
13 : Cancel ASN WMS Cancel ASN
Cosine similarity: [[1.]]

11 : MAXPREDO Validation is corect
14 : MAXPREDO Validation is right
Cosine similarity: [[0.64183024]]

11 : MAXPREDO Validation is corect
16 : MAXPREDO Validation are correct
Cosine similarity: [[0.39895808]]

12 : Move to QC
17 : Move to QC
Cosine similarity: [[1.]]

14 : MAXPREDO Validation is right
16 : MAXPREDO Validation are correct
Cosine similarity: [[0.39895808]]

15 : Verify files are sent every hours for this interface from Optima
18 : Verify files are not sent
Cosine similarity: [[0.44897995]]

Answer 3

可以使用这个 Python 3 库来计算句子相似度：https://github.com/UKPLab/sentence-transformers

来自 https://www.sbert.net/docs/usage/semantic_textual_similarity.html 的代码示例：

from sentence_transformers import SentenceTransformer, util
model = SentenceTransformer('paraphrase-MiniLM-L12-v2')

# Two lists of sentences
sentences1 = ['The cat sits outside',
             'A man is playing guitar',
             'The new movie is awesome']

sentences2 = ['The dog plays in the garden',
              'A woman watches TV',
              'The new movie is so great']

#Compute embedding for both lists
embeddings1 = model.encode(sentences1, convert_to_tensor=True)
embeddings2 = model.encode(sentences2, convert_to_tensor=True)

#Compute cosine-similarits
cosine_scores = util.pytorch_cos_sim(embeddings1, embeddings2)

#Output the pairs with their score
for i in range(len(sentences1)):
    print("{} \t\t {} \t\t Score: {:.4f}".format(sentences1[i], sentences2[i], cosine_scores[i][i]))

该库包含最先进的句子嵌入模型。

参见执行句子聚类。

在 python 中找到最相似的句子

Finding most similar sentences among all in python

python

tensorflow

scikit-learn

sentence-similarity