日本語文のドキュメントの類似検索（Latent Semantic Indexing による）（Python，gensim を使用）

日本語文のドキュメントの類似検索を行う． Latent Semantic Indexing による．

次のページで公開されている Python プログラムを使用している．

https://radimrehurek.com/gensim/auto_examples/core/run_similarity_queries.html#sphx-glr-auto-examples-core-run-similarity-queries-py

【サイト内の関連ページ】

日本語文のドキュメントの類似検索（Latent Dirichlet Allocation による）（Python，gensim を使用）: 別ページ »で説明

謝辞：このページで使用しているソフトウェア類の作者に感謝します．

Latent Semantic Indexing による類似検索

前準備

別ページ »で説明手順で，辞書，Bag of Words，TF/IDF，Latent Semantic Indexing (LSI) の作成を終えていること．

索引（インデックス）の作成

from gensim import similarities
index = similarities.MatrixSimilarity(lsi_model[bow_corpus]) 
print(index)

類似度

問い合わせを行う文書を doc にセットしている．そして，doc と，コーパス内の全ドキュメントとの類似度を求めている．

doc = "日本の憲法は国民主権，基本的人権の尊重，平和主義"

import sys
import MeCab
m = MeCab.Tagger("-Owakati")
stoplist = set('．,。,，,、,EOS,は,の,を,に,が,と,も,で,ば,し,て,う,た,ふ,これ,それ,あれ,この,その,あの,こと,する,ら,〔,〕,「,」,【,】,（,）,記号-空白,記号-括弧開,記号-括弧閉,for,a,of,the,and,to,in'.split(','))
a = m.parse(doc.lower()).split()
query_bow = dictionary.doc2bow([word for word in a if word not in stoplist])
vec_lsi = lsi_model[tfidf[query_bow]]
sims = index[vec_lsi]
print(list(enumerate(sims)))

類似度順に文書を並べ替えて表示

sim_result = sorted(enumerate(sims), key=lambda item: -item[1])
for i, s in enumerate(sim_result):
    print(s[1], text_corpus[s[0]])