python - 比较列表中的单词而不是字母 - 从 SequenceMatcher 包中获得意外输出

Question

我正在做一个项目，它从我存储在 2 个文本文件(nyt.text 和 wapo.text)中的报纸网站获取标题并比较它们相互比较，如果字符串被 Python 内置的 SequenceMatcher 确定为相似，则将它们连同它们的相似性评级打印给我:

from difflib import SequenceMatcher

f = open('nyt.text','r+')
w = open('wapo.text','r+')

def similar(a, b):
return SequenceMatcher(None, a, b).ratio()


def compare(self):
    wapo = []
    times = []
    for line in w.readlines():
        wapo.append(line)
    for i in f.readlines():
        times.append(i)
    print(wapo[0],times[0])
    for i in wapo:
        for s in times:
            print(similar(i,s))
            if similar(i,s) > 0.35:
                print(i,s)
    return

compare()

我得到的结果看起来像这样:

    Attorney for San Bernardino gunman's family floats hoax theory
 Op-Ed Contributor: A Battle in San Bernardino

San Bernardino attacker pledged allegiance to Islamic State leader, officials say
 Sunday Routine: How Jamie Hodari, Workplace Entrepreneur, Spends His Sundays

Why some police departments let anyone listen to their scanner conversations - even criminals
 White House Seeks Path to Executive Action on Gun Sales

Why the Pentagon opening all combat roles to women could subject them to a military draft
 Scientists Seek Moratorium on Edits to Human Genome That Could Be Inherited

Destroying the Death Star was a huge mistake
 Mark Zuckerberg Defends Structure of His Philanthropic Outfit

如您所见，尽管 SequenceMatcher 将相似度评为 0.35，但除了第一个之外，它们并不太相似。我有一种暗示，这是因为 SequenceMatcher 通过字母而不是单词来判断相似性。有没有人知道如何标记标题中的单词，以便 SequenceMatcher 将它们作为整个单词而不是单个字母来读取？

Answer 1

您的直觉很可能是正确的。您看到的是基于不间断的匹配字母字符串的匹配，这通常是标题相似性的一个非常差的指标。

它这样做是因为您传入的序列是一个字符串，或者如计算机所见，是一个非常长的字母列表。

如果您想根据单词进行判断，我建议使用 .split() 函数拆分文本，该函数只会按空格拆分。

您可以而且可能应该做很多清洁工作，例如 removing punctuation , 将所有内容设置为小写 ('.lower()')，以及潜在的 stemming the words以获得合理的匹配。也就是说，所有这些部分在其他地方都有详细记录，可能对您的特定用例没有意义。

您还可以查看 sklearn 中的其他分词器，但它们不太可能在这里产生巨大差异。