本文利用20Newsgroup这个数据集作为Corpus(语料库)，用户可以通过搜索关键字来进行查询关联度最高的News，实现对文本的搜索引擎：
1. 导入数据集
from sklearn.datasets import fetch_20newsgroups
newsgroups = fetch_20newsgroups()
print(f'Number of documents: {len(newsgroups.data)}')
print(f'Sample document:\n{newsgroups.data[0]}')2. 向量化单词
from sklearn.feature_extraction.text import CountVectorizer
count = CountVectorizer()
count.fit(newsgroups.data)
show_vocabulary(count)
print(f'Size of vocabulary: {len(count.get_feature_names_out())}')
def show_vocabulary(vectorizer):
words = vectorizer.get_feature_names_out()
print(f'Vocabulary size: {len(words)} words')
# we can print ~10 words per line
for l in np.array_split(words, math.ceil(len(words) / 10)):
print(''.join([f'{x:<15}' for x in l]))3. 搜索引擎
#将语料库进行转化
corpus_bow = count.transform(newsgroups.data)
#提供用户输入，对输入内容进行转化为BoW - Bag of word
query = input("Type your query: ")
query_bow = count.transform([query])
from sklearn.metrics.pairwise import cosine_similarity
#比较输入内容与语料库中的相似度
similarity_matrix = cosine_similarity(corpus_bow, query_bow)
print(f'Similarity Matrix Shape: {similarity_matrix.shape}')
得到Similarity_matrix一共有N行，表示语料库中的文档数。还有一列，代表相似度系数。
第K行的相似度系数，代表用户输入的文本与语料库中第K个文档的相似程度。
我们对相似度矩阵进行排序：
similarities = pd.Series(similarity_matrix[:, 0])
similarities.head(10)那么和用户输入最相关的文档就是第一个了！
print('Best document:')
print(newsgroups.data[top_10.index[0]])结论：本文利用Cosine_similarity比较文档的相似度，从语料库找出最佳匹配的文档。
如果对单词的向量化，BoW概念有问题可以看下我的另一篇文章。
CSDN
下面一篇文章我会具体分析Cosine_similarity的原理，敬请关注！
