Python 从一组文档进行输入查询的最佳匹配

我有8个文档，我在上面运行了

TF-IDF

，以获得一个数组。我不明白如何找出给定输入查询的最佳文档匹配

all_documents = [doc1, doc2, ...., doc7]
sklearn_tfidf = TfidfVectorizer(norm='l2',min_df=0, use_idf=True, smooth_idf=False, sublinear_tf=True, tokenizer=tokenize)
sklearn_representation = sklearn_tfidf.fit_transform(all_documents).toarray()

---

使用

TFIDFvectorier

将输入转换为

tf idf

格式。然后，可以使用距离度量（余弦、欧几里德、曼哈顿等）来计算最接近输入的文档

---

每个文档应使用相同的词汇表。我假设您的8个文档向量具有相同的长度？您创建的

sklearn\u tfidf

对象具有一个属性

词汇表

，该属性包含向量中使用的所有单词。您的输入查询应简化为仅包含这些单词

示例

Document1: dogs are cute
Document2: cats are awful

---

引出了

[狗、猫、可爱、可怕]

的词汇表。不能使用包含这5个词以外的其他词的查询。例如，如果您的查询是

可爱的动物

，则

动物

没有意义，因为在其中一个文档中找不到它。因此，查询简化为以下向量：

[0,0,0,1,0]

，因为

cute

是文档中唯一可以找到的单词

“最佳文档”是指最接近输入查询的文档吗？您必须调整

TfidfVectorizer

以输入查询，然后从您拥有的7个文档中找到到矢量的距离（可以是余弦距离/欧几里德距离）。@titipat感谢您的方法。但据我所知，要找到上述任何距离，向量的长度应该是相同的。我该怎么做？谢谢你的帮助。但据我所知，要找到上述任何距离，向量的长度应该是相同的。我该怎么做？每个文档都应该使用相同的词汇表。我假设您的8个文档向量具有相同的长度？您创建的

sklearn\u tfidf

对象具有一个属性

词汇表

，该属性包含向量中使用的所有单词。您的输入查询应该减少到只包含这些单词。是的，每个向量的长度是1058。但如何将输入字符串转换为长度为1058的大小向量呢？我试过了，可以看到长度为1058的词汇表。我应该建立一个长度为1和0的向量，将输入查询中的每个单词与

词汇表进行比较，还是scikit learn中有一种方法可以直接使用？我想可以帮你。