给定新文档重新计算相似度矩阵

Question

我是运行一个包含文本文档的实验，我需要计算所有文本文档之间的（余弦）相似度矩阵（用于其他计算）。为此，我使用 sklearn 的 TfidfVectorizer:

corpus = [doc1, doc2, doc3, doc4]
vect = TfidfVectorizer(min_df=1, stop_words="english", use_idf=False) 
tfidf = vect.fit_transform(corpus)
similarities = tfidf * tfidf.T
pairwise_similarity_matrix = similarities.A

问题是，在我的实验的每次迭代中，我发现 新文档 我需要添加到我的相似性矩阵，并且给定我正在处理的文档数量（数万甚至更多）——非常耗时。

我希望找到一种方法来只计算新一批文档与现有文档之间的相似性，而不是对整个数据集重新计算。

请注意，我使用的是词频 (tf) 表示，没有使用逆文档频率 (idf)，因此理论上我不需要每次都重新计算整个矩阵。

Answer 1

好的，我知道了。正如我所说，这个想法是只计算新批次文件和现有文件之间的相似度，它们的相似度是不变的。问题是要用新看到的术语更新 TfidfVectorizer 的词汇表。

解决方案有 2 个步骤：

更新词汇表和 tf 矩阵。
矩阵乘法和堆叠。

这是整个脚本——我们首先得到原始语料库以及经过训练和计算的对象和矩阵：

corpus = [doc1, doc2, doc3]
# Build for the first time:
vect = TfidfVectorizer(min_df=1, stop_words="english", use_idf=False) 
tf_matrix = vect.fit_transform(corpus)
similarities = tf_matrix * tf_matrix.T
similarities_matrix = similarities.A # just for printing

现在，给定新文档：

new_docs_corpus = [docx, docy, docz] # New documents
# Building new vectorizer to create the parsed vocabulary of the new documents:
new_vect = TfidfVectorizer(min_df=1, stop_words="english", use_idf=False) 
new_vect.fit(new_docs_corpus)

# Merging old and new vocabs:
new_terms_count = 0
for k, v in new_vect.vocabulary_.items():
    if k in vect.vocabulary_.keys():
        continue
    vect.vocabulary_[k] = np.int64(len(vect.vocabulary_)) # important not to assign a simple int
    new_terms_count = new_terms_count + 1
new_vect.vocabulary_ = vect.vocabulary_

# Build new docs represantation using the merged vocabulary:
new_tf_matrix = new_vect.transform(new_docs_corpus)
new_similarities = new_tf_matrix * new_tf_matrix.T

# Get the old tf-matrix with the same dimentions:
if new_terms_count:
    zero_matrix = csr_matrix((tfidf.shape[0],new_terms_count))
    tf_matrix = hstack([tf_matrix, zero_matrix])
# tf_matrix = vect.transform(corpus) # Instead, we just append 0's for the new terms and stack the tf_matrix over the new one, to save time
cross_similarities = new_tf_matrix * tf_matrix.T # Calculate cross-similarities
tf_matrix = vstack([tf_matrix, new_tfidf])
# Stack it all together:
similarities = vstack([hstack([similarities, cross_similarities.T]), hstack([cross_similarities, new_similarities])])
similarities_matrix = similarities.A

# Updating the corpus with the new documents:
corpus = corpus + new_docs_corpus

我们可以通过比较计算得到的 similarities_matrix 和我们在联合语料库上训练 TfidfVectorizer 时得到的结果来检查这一点：corpus + new_docs_corpus.

正如评论中所讨论的，我们之所以能够做到这一切，只是因为我们没有使用 idf (inverse-document-frequency) 元素，这将改变现有文档的表示形式。

给定新文档重新计算相似度矩阵

Re-calculate similarity matrix given new documents

python

scikit-learn

cosine-similarity

tfidfvectorizer