我根據條款計算了我的文檔的tf-idf。然後,我應用LSA來降低條款的維度。 'similarity_dist'包含負值(參見下表)。我如何計算範圍0-1的餘弦距離?如何處理餘弦相似度的負值
tf_vectorizer = CountVectorizer(max_df=0.95, min_df=2, tokenizer=tokenize_and_stem, stop_words='english')
%time tf = tf_vectorizer.fit_transform(descriptions)
print(tf.shape)
svd = TruncatedSVD(100)
normalizer = Normalizer(copy=False)
lsa = make_pipeline(svd, normalizer)
tfidf_desc = lsa.fit_transform(tfidf_matrix_desc)
explained_variance = svd.explained_variance_ratio_.sum()
print("Explained variance of the SVD step: {}%".format(int(explained_variance * 100)))
similarity_dist = cosine_similarity(tfidf_desc)
pd.DataFrame(similarity_dist,index=descriptions.index, columns=descriptions.index).head(10)
print(tfidf_matrix_desc.min(),tfidf_matrix_desc.max())
#0.0 0.736443429828
print(tfidf_desc.min(),tfidf_desc.max())
#-0.518015429416 0.988306783341
print(similarity_dist.max(),similarity_dist.min())
#1.0 -0.272010919022
奇怪。 Tfidfs預計是正的,因此餘弦應該在0和1之間。我們通常規範化以使餘弦更容易計算,因爲它是歸一化矩陣的點積。您的代碼不顯示餘弦調用,並且正如您所述,也正在使用svd而不是lda。你能發佈你實際使用的整個代碼嗎? – Rabbit
對不起,我申請了LSA,而不是LDA。我已經更新了代碼。 'tfidf_matrix_desc'值在0-1之間,tfidf_desc包含負值(請參閱打印語句)。 – kitchenprinzessin