我的目标是计算以下文本文档之间的KL距离:
1)The boy is having a lad relationship
2)The boy is having a boy relationship
3)It is a lovely day in NY
我首先对文件进行了向量化处理,以便更轻松地应用numpy。
1)[1,1,1,1,1,1,1]
2)[1,2,1,1,1,2,1]
3)[1,1,1,1,1,1,1]
我接着应用了以下代码来计算文本之间的KL距离:
import numpy as np
import math
from math import log
v=[[1,1,1,1,1,1,1],[1,2,1,1,1,2,1],[1,1,1,1,1,1,1]]
c=v[0]
def kl(p, q):
p = np.asarray(p, dtype=np.float)
q = np.asarray(q, dtype=np.float)
return np.sum(np.where(p != 0,(p-q) * np.log10(p / q), 0))
for x in v:
KL=kl(x,c)
print KL
以下是上面代码的结果:[0.0, 0.602059991328, 0.0]
。
第一段文本和第三段文本完全不同,但它们之间的距离为0,而高度相关的第一段文本和第二段文本却有一个距离为0.602059991328
。这不准确。
有人知道我在KL方面做错了什么吗?感谢您的建议。