aibox.nlp.features.portuguese.tfidf_similarity

Características de similaridade entre textos baseadas no TF-IDF.

Classes

TFIDFSimilarityExtractor(reference_text)	Extrator de características de similaridade baseado no TF-IDF.
TFIDFSimilarityFeatures(rapid_fuzz, ...)	Características de similaridade baseadas no TF-IDF.

class aibox.nlp.features.portuguese.tfidf_similarity.TFIDFSimilarityFeatures(rapid_fuzz: float, tf_idf_ngram1: float, tf_idf_ngram2: float, tf_idf_ngram3: float, tf_idf_ngram4: float, tf_idf_ngram_all: float)

Base: DataclassFeatureSet

Características de similaridade baseadas no TF-IDF.

Parâmetros:

• rapid_fuzz (float)

• tf_idf_ngram1 (float)

• tf_idf_ngram2 (float)

• tf_idf_ngram3 (float)

• tf_idf_ngram4 (float)

• tf_idf_ngram_all (float)

as_dict() → dict[str, float]

Retorna os valores das características desse conjunto para um dado texto.

Retorna:

características contidas nesse FeatureSet para um dado texto.

Tipo de retorno:

dict[str, float]

as_numpy() → ndarray[float32]

Retorna as características como uma NumPy array. Os valores de cada índice são correspondentes às características na ordem de names().

Retorna:

array de np.float32 representando os valores das características.

Tipo de retorno:

ndarray[float32]

as_tensor(device: str | None = None) → Tensor

Retorna as características como um tensor. Os valores de cada índice são correspondentes às características na ordem de names().

Parâmetros:

device (str, opcional) – dispositivo de armazenamento.

Retorna:

Tensor do torch representado os valores das características.

Tipo de retorno:

Tensor

names() → list[str]

Retorna os nomes das características em ordem lexicográfica. Todos os outros métodos apresentam os valores conforme essa ordem.

Retorna:

nome das características desse conjunto.

Tipo de retorno:

list[str]

class aibox.nlp.features.portuguese.tfidf_similarity.TFIDFSimilarityExtractor(reference_text: str)

Base: FeatureExtractor

Extrator de características de similaridade baseado no TF-IDF.

Parâmetros:

reference_text (str) – texto de referência para o cálculo de similaridade.

Exemplo de uso em FeatureExtractor

property feature_set: type[TFIDFSimilarityFeatures]

Retorna a classe que contém o conjunto de características retornado por esse extrator.

Retorna:

classe do conjunto de características retornado por esse extrator.

extract(text: str, **kwargs) → TFIDFSimilarityFeatures

Realiza a extração de características para o texto de entrada.

Parâmetros:

• text (str) – texto.

• **kwargs – argumentos extras que pode ser utilizados por alguns extratores para controlar o processo de extração.

Retorna:

características para o texto de entrada.

Tipo de retorno:

TFIDFSimilarityFeatures

vectorize(text: str | list[str] | ndarray[str_], vector_type: str = 'numpy', device: str | None = None, **kwargs) → ndarray | Tensor

Método para vetorização de textos. A vetorização de múltiplos textos é realizada de forma paralela sempre que possível.

Aceita os campos n_workers (default=`min(4, cpu_count)`) e show_bar (default=`true`) quando array-like de string. Demais parâmetros são passados para _vectorize().

n_workers é utilizado quando a implementação utiliza multiprocessing. Caso n_workers <= 1, um for.

Parâmetros:

• text (str | list[str] | ndarray[str_]) – texto ou textos de entrada.

• vector_type (str, opcional) – tipo do vetor de saída (‘numpy ou ‘torch’).

• device (str, opcional.) – dispositivo para armazenamento do tensor Torch. Padrão é CPU.

• **kwargs – parâmetros extras que podem ser utilizados por alguns vetorizadores para controlar o processo de vetorização.

Retorna:

representação numérica do texto.

Tipo de retorno:

ndarray | Tensor