信息检索系统——VSM算法实现

比眉伴天荒 2021-07-16 17:08 535阅读 0赞

匹配文档样例

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzYmJ2_size_16_color_FFFFFF_t_70]

查询样例

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzYmJ2_size_16_color_FFFFFF_t_70 1]匹配结果样例

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzYmJ2_size_16_color_FFFFFF_t_70 2]

python–源码如下

import math
    from tqdm import tqdm
    
    df_dict={ }
    global docs_num      #一个全局变量，保留全部文档数
    docs_num=0
    
    def doc_pl(doc):     #求出文档中的词频数，及总词数，用于tf-idf的计算
        word_list=doc.split()
        num=0
        word_pl={ }
        for word in word_list[1:]:
            word_pl[word]=word_pl.get(word,0)+1
            num+=1
        for word in word_pl.keys():
            df_dict[word]=df_dict.get(word,0)+1
        return (word_pl,num)
    
    def tf_idf(doc,flag):          #求tf-idf的值
        global docs_num
        word_tfidf={ }
        for word in doc[0].keys():
            tf=doc[0][word]/doc[1]                              #tf---某词在文章出现的次数/总词数
            if flag==1:
                idf = math.log((docs_num / (df_dict[word]+1)))  #idf---log(文档总数/包含该词文档数+1)
                #idf=(docs_num/df_dict[word])**2
                #idf=(1/df_dict[word])**1.8
            else:                                               #对于一个问询的的tf-idf情形
                idf=1
            word_tfidf[word]=tf*idf
        return word_tfidf
    
    def simolarity(doc1,doc2):       #求文档相似度
        zi=0
        mu1=0
        mu2=0
        for word in doc1.keys():
            if doc2.get(word,0)!=0:
                zi+=doc1[word]*doc2[word]
        for word in doc1.values():
            mu1+=word**2
        for word in doc2.values():
            mu2+=word**2
        return zi/((mu2**0.5)*(mu1**0.5))
    
    def vsm(dlist,que):             #利用夹角余弦（Cosine）计算距离
        global docs_num
        docs_num=0                  #查询前清零总文档书
        doc_pl_list=[]              #各个文档的词频，及此文档总词数
        tfidf_list=[]               #各个文档中词的tf-idf字典
        sim_list=[]                 #各文档与查询的相似度
        for doc in dlist:
            doc.strip()
            doc_pl_list.append(doc_pl(doc))                                                #对于list的每一个元素为一个元组，元组中第0号元素为包含文档中词频率的字典，第二个元素为该文档的总词数
            docs_num+=1
        for pl in doc_pl_list:
            tfidf_list.append(tf_idf(pl,1))                                                #每一个文档中包含其所有词的tf-idf的字典构成的list
    
        docs_num=1
        tfidf_que=tf_idf(doc_pl(que),0)                                                    #一个查询的所有词的tf-idf字典
        for i in range(len(tfidf_list)):
            sim_list.append([simolarity(tfidf_que,tfidf_list[i]),dlist[i].split()[0]])     #各文档与查询的余弦相似度
        return sorted(sim_list,key=lambda x:(-x[0]))                                       #使各文档按余弦相似度由高到低排序
    
    docs = open(r"C:\Users\CYY\Desktop\documents.txt",encoding='utf-8')
    doc_list = docs.readlines()
    docs.close()
    
    query = open(r"C:\Users\CYY\Desktop\q100.txt", encoding='utf-8')            #问询的文档
    query_list = query.readlines()
    query.close()
    
    Result = open(r"C:\Users\CYY\Desktop\result.txt", 'w',encoding='utf-8')     #写入结果的文档
    
    que_dict=dict()
    for i in tqdm(range(100)):                                #查询的数目
        df_dict = { }
        result = vsm(doc_list, query_list[i])
        Docs = []
        Docs.append(query_list[i].split()[0])
        k = 0
        for doc in result:                                    #去重
            if doc[1] not in Docs:
                Docs.append(doc[1])
                k += 1
            if k == 10:                                       #单次查询匹配的文档数
                break
        que_dict[i] = Docs
    
    for i in range(100):                                       #将一百个问询的前十个最匹配的文档写入
        Result.write(que_dict[i][0])
        Result.write("\t")
        for j in range(10):
            Result.write(que_dict[i][j+1])
            Result.write(' ')
        Result.write('\n')
    Result.close()

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzYmJ2_size_16_color_FFFFFF_t_70]: /images/20210716/26c7c1c0c2834a9f8f1ae3480bab83c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzYmJ2_size_16_color_FFFFFF_t_70 1]: /images/20210716/7e2a5d616c914c46b68948fb67478cf7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzYmJ2_size_16_color_FFFFFF_t_70 2]: /images/20210716/74b73b6b13b94a60820a3557a9a84f0f.png