Вы хотите объединить эти термины, и для метрики подобия я рекомендую Dice's Coefficient на уровне символов грамм. Например, разделите строки на двухбуквенные последовательности для сравнения (term1 = «NB», «BA», «A», «B», «Ba» ...).
nltk, похоже, предоставляет кости как nltk.metrics.association.BigramAssocMeasures.dice(), но это достаточно просто, чтобы реализовать таким образом, чтобы обеспечить настройку. Вот как сравнить эти строки на символе, а не на уровне слов.
import sys, operator
def tokenize(s, glen):
g2 = set()
for i in xrange(len(s)-(glen-1)):
g2.add(s[i:i+glen])
return g2
def dice_grams(g1, g2): return (2.0*len(g1 & g2))/(len(g1)+len(g2))
def dice(n, s1, s2): return dice_grams(tokenize(s1, n), tokenize(s2, n))
def main():
GRAM_LEN = 4
scores = {}
for i in xrange(1,len(sys.argv)):
for j in xrange(i+1, len(sys.argv)):
s1 = sys.argv[i]
s2 = sys.argv[j]
score = dice(GRAM_LEN, s1, s2)
scores[s1+":"+s2] = score
for item in sorted(scores.iteritems(), key=operator.itemgetter(1)):
print item
Когда эта программа запускается с строками, следующие оценки подобия производятся:
./dice.py "NBA Basketball" "Basketball NBA" "Basketball" "Baseball"
('NBA Basketball:Baseball', 0.125)
('Basketball NBA:Baseball', 0.125)
('Basketball:Baseball', 0.16666666666666666)
('NBA Basketball:Basketball NBA', 0.63636363636363635)
('NBA Basketball:Basketball', 0.77777777777777779)
('Basketball NBA:Basketball', 0.77777777777777779)
По крайней мере, для этого, например, разница между баскетбол и бейсбол термины должны быть достаточных для их кластеризации в отдельные группы. Кроме того, вы можете использовать оценки подобия более непосредственно в своем коде с порогом.
Я думаю, вам нужно определить вашу проблему больше - и это требует большего знания. Попробуйте выполнить поиск по «кластерному анализу». NLTK пригодится, когда вам нужно делать что-то вроде продолжения, чтобы предварительно обработать слова. – winwaed