NLP，用于确定文本块是否与其他“相似”的算法（在已经匹配关键字之后）答案

【问题标题】：NLP, algorithms for determining if block of text is "similar" to other (after already having matched for keyword)NLP，用于确定文本块是否与其他“相似”的算法（在已经匹配关键字之后）
【发布时间】：2011-12-27 13:43:51
【问题描述】：

我一直在尽可能多地阅读 NLP 并在此处进行搜索，但没有找到任何似乎可以准确解决我正在尝试做的事情的内容。我对 NLP 很陌生，之前只接触过一些小知识，到目前为止，我已经让我正在使用的 NLP 处理器工作到可以从文本中提取词性的地方。

我只是在处理一个小样本文档，然后是一个“输入短语”，我基本上是在尝试找到一个匹配项。到目前为止我写的代码基本上是这样的：

获取输入短语和“searchee（正在搜索的文档）”并将它们分解为单个单词的列表，然后还获取每个单词的 POS。用户还会在输入短语中输入一个 kewyord（并且应该在正在搜索的文档中）
搜索两个列表以查找用户输入的关键字，然后，对于在每个文档中找到该关键字的第一个位置，取之前和之后的一组单词（例如 5 个）。这些被放入数据集中进行处理，所以如果一篇文章有：

关键字：足球

“很多运动都很有趣，足球是一项很棒的运动，但也是一项非常体力的运动。” - 然后我的过程会将其截断为“很有趣，足球是一种”

我的目标是比较这些片段，例如“很有趣，足球是一种”的相似性，就好像它们可能在相似的上下文中使用一样，等等。

我想知道是否有人能指出我在可用于此的模式、算法等方面的正确方向。上面的例子很简单，只是为了给出一个想法，但我打算做如果我能找到合适的地方来了解更多信息，这会更复杂。感谢您提供任何信息

【问题讨论】：

经过更多搜索，这个问题似乎涉及到一些类似的东西：stackoverflow.com/questions/1746501/…
这似乎也是一个很好的资源：@987654322@ 感谢大家帮助我走上正确的道路，现在我开始了解一些术语以知道要搜索什么
@eowl，谢谢，我刚刚致力于 NLP 网站的提案

标签： algorithm artificial-intelligence nlp information-retrieval

【解决方案1】：

看来您正在解决古老的KWIC 问题。这可以通过索引来完成，或者只是一个简单的for 循环遍历文本中的单词：

for i = 0 to length(text):
    if text[i] == word:
        emit(text[i-2], text[i-1], text[i], text[i+1], text[i+2])

emit 可能意味着打印它们，将它们存储在哈希表中，等等。

【讨论】：

我认为这比我正在尝试做的更基本，我不是在寻找完全匹配，因为我不希望找到它
@Rick：我并不完全清楚程序的最终输出应该是什么，但是为了调查可能出现单词的上下文，您可能需要阅读 @987654322 的搭配查找章节@ 或以其他方式阅读 pointwise mutual information。
谢谢，会检查一下，我想这对我来说有点难以解释以及我认为它会是什么，但是如果一个短语“接近”到另一个短语但不准确

【解决方案2】：

您尝试做的更多是经典的Information Retrieval 问题，而不是 NLP，尽管它们非常相似。你正在构建一个Term-Frequency dictionary。

我不确定您所说的 POS 是什么意思，但您正试图从文本中提取短语的“带状疱疹”，并将它们与语料库中的其他带状疱疹进行比较。您可以通过cosine similarity 或通过计算短语之间的String Edit Distance 来计算相似度。

查看一些介绍性 IR 幻灯片可能有助于阐明这些概念。 Dr. Rao Kambhampati generously makes slides and audio lectures available on his site.

【讨论】：

感谢您提供的信息，我所说的 POS 只是指基本的词性，例如此处“单词级别”中列出的那些：bulba.sdsu.edu/jeanette/thesis/PennTags.html 您提供的信息应该是一个很好的起点跨度>
另外，我不确定我在 OP 中是否清楚，我正在尝试比较 POS 中的短语模式，而不是实际单词，因为我已经匹配了关键字

【解决方案3】：

如果您只想生成文本，可以查看此处http://phpir.com/text-generation。如果您想寻找相似之处，您可以寻找 trigram-search 或更简单的带有 trie 的通配符搜索：http://phpir.com/tries-and-wildcards。这里有一篇关于shingling的好文章：http://phpir.com/shingling-near-duplicate-detection

【讨论】：

谢谢，我之前确实遇到过一些关于尝试的事情，会进一步研究