相似度匹配 python 相似度匹配算法me

一、bm25的应用和基础

医学领域，BM25算法的应用，文档分类，相似度识别以及疾病、手术等实体的相似度匹配。文档的处理相对简单，可以直接调用相关算法包，实体单词的相似度匹配需要对文本做相关的处理。对比研究，在文档中，表示特征的主要是单词，而在实体名词（疾病、手术、药品名称）中，表示特征的是字或者由n-gram切分的元素，当用字表示特征时，文本的语义会丢失，所以我建议用字和n-gram（n>=2）分词元素作为特征。

BM25算法相关性分数的构成：

分为两个类别，一个是计算文档与文档的相似度，另一个是计算词与词的相似度，如果计算的是词（或称为短文本）与词之间的相似度，那么就要用n-gram切词，进而以每个元素为单位进行计算。

以文档相似度为例：

相关性分数公式如下：

里面包含三部分计算：

（1）元素的权重，计算tf-idf，文档的元素就是词，短文本的元素为字或n-gram元素：

其中N表示索引中全部文档数，

为包含了

的文档的个数。依据IDF的作用，对于某个

，包含

的文档数越多，说明

重要性越小，或者区分度越低，IDF越小，因此IDF可以用来刻画

与文档的相似性。

 （2）单词和文档的相关性：

 其中，是单词t在文档d中的词频，是文档d的长度，是所有文档的平均长度，变量是一个正的参数，用来标准化文章词频的范围，当=0，就是一个二元模型（binary model）（没有词频），一个更大的值对应使用更原始的词频信息。b是另一个可调参数（0<b<1），他是用决定使用文档长度来表示信息量的范围：当b为1，是完全使用文档长度来权衡词的权重，当b为0表示不使用文档长度。

（3）单词和查询的相关性： 

 

 这里

表示单词t在query中的词频，

是一个可调正参数，来矫正query中的词频范围。

最终相似度公式：

二、相似度分类实例（疾病相似度分类）

现在bm25实现的开源包有很多，在这里我是用gensim实现。

gensim包的下载配置：清华镜像源

pip install --upgrade -i https://pypi.tuna.tsinghua.edu.cn/simple gensim

基本使用方法，以短文本分类为实例：

corpus为标准的单词分类集合，主要包含了每类疾病的标准分类特征，corpus_dic为每个特征集合对应的分类标签，key为分类标签，value为特征。test_word为测试文本。

处理过程：用测试集的特征和标准特征计算相关性，对测试样本的每个元素的相关性分数求和，即为总的相关性分数：

from gensim.summarization import bm25
import jieba

def gensim_bm25_word_classification(test_word):
    corpus = [
        ['高','血','压','高血','血压'],
        ['糖','尿','病'],
        ['精','神','病']
        ]
    corpus_dic = {
        '高血压':['高','血','压','高血','血压'],
        '糖尿病':['糖','尿','病'],
        '精神病':['精','神','病']
    }
    bm25Model = bm25.BM25(corpus)
    #将str转为list
    test_word = list(test_word)

    scores = bm25Model.get_scores(test_word)
    print('测试短文本：', test_word)
    for i, j in zip(scores, corpus):
        for m in corpus_dic.keys():
            if j == corpus_dic[m]:
                word_name = m
        print('分值：{},原词：{}'.format(i, word_name))

 测试：高血压1级

if __name__ == '__main__':
    test_word = '高血压1级'
    gensim_bm25_word_classification(test_word)

分类结果打印：

 高血压类的相关性分数为1.31，远高于其他分类，故分类结果为：高血压。

二、文本分类

需要jieba分词和stopword停用词设置，非常简单。