Я вычислил tf-idf моих документов на основе терминов. Затем я применил LSA для уменьшения размерности термов. «Similarity_dist» содержит значения, которые являются отрицательными (см. таблицу ниже). Как вычислить расстояние косинуса с диапазоном 0-1?Как обрабатывать отрицательные значения сходства косинусов
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
Weird. Ожидается, что Tfidfs будет положительным, поэтому косинус должен быть в числе 0 и 1. Обычно нормализуем, чтобы облегчить вычисление косинуса, поскольку это точечный продукт для нормированной матрицы. Ваш код не показывает косинус-вызов, а также использует svd вместо lda, как вы заявили. Не могли бы вы опубликовать весь код, который вы используете? – Rabbit
Извините, я применил LSA, а не LDA. Я обновил код. Значения 'tfidf_matrix_desc' находятся между 0-1, tfidf_desc содержит отрицательные значения (см. инструкции печати). – kitchenprinzessin