Matricea de similaritate cosinus a unui corpus
În acest exercițiu, ai la dispoziție un corpus – o listă care conține cinci propoziții. corpus este afișat în consolă. Trebuie să calculezi matricea de similaritate cosinus, care conține scorul de similaritate cosinus pentru fiecare pereche de propoziții (vectorizate folosind tf-idf).
Reține că valoarea de pe rândul i și coloana j a unei matrice de similaritate reprezintă scorul de similaritate dintre vectorul i și vectorul j.
Acest exercițiu face parte din cursul
Ingineria caracteristicilor pentru NLP în Python
Instrucțiuni pentru exercițiu
- Inițializează o instanță a
TfidfVectorizer. Numește-otfidf_vectorizer. - Folosind
fit_transform(), generează vectorii tf-idf pentrucorpus. Numește rezultatultfidf_matrix. - Folosește
cosine_similarity()și transmitetfidf_matrixpentru a calcula matricea de similaritate cosinuscosine_sim.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Initialize an instance of tf-idf Vectorizer
tfidf_vectorizer = ____
# Generate the tf-idf vectors for the corpus
tfidf_matrix = tfidf_vectorizer.fit_transform(____)
# Compute and print the cosine similarity matrix
cosine_sim = ____(____, tfidf_matrix)
print(cosine_sim)