我想在 stringdist 函数中使用 Jaccard 相似度来确定词袋的相似度。据我所知,使用 Jaccard 只能匹配字符串中的字母。
c <- c('cat', 'dog', 'person')
d <- c('cat', 'dog', 'ufo')
stringdist(c, d, method='jaccard', q=2)
[1] 0 0 1
所以我们在这里看到它计算了“猫”和“猫”、“狗”和“狗”以及“人”和“ufo”的相似度。
我还尝试将这些单词转换为 1 个长文本字符串。以下方法满足我的需要,但它仍然计算 1 - (共享 2-gram 数量/唯一 2-gram 总数):
f <- 'cat dog person'
g <- 'cat dog ufo'
stringdist(f, g, method='jaccard', q=2)
[1] 0.5625
我如何让它计算单词的相似度?
最佳答案
您可以首先对句子进行标记,并对相应的单词列表进行哈希处理,将句子转换为整数列表,然后使用 seq_dist()
计算距离。
library(hashr); library(stringdist)
f <- 'cat dog person'
g <- 'cat dog ufo'
seq_dist(hash(strsplit(f, "\\s+")), hash(strsplit(g, "\\s+")), method = "jaccard", q = 2)
[1] 0.6666667
关于r - stringdist 包中的 Jaccard 相似度来匹配字符串中的单词,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37143944/