gifts_py

cadeaux

Recherche d'éléments qui ont les fonctionnalités communes avec la requête.

 query = [ 'A' , 'B' ]

elements = [
    [ 'N' , 'A' , 'M' ],  # common features: 'A'
    [ 'C' , 'B' , 'A' ],  # common features: 'A', 'B'  
    [ 'X' , 'Y' ]  # no common features
]

Dans ce cas, la recherche avec retour ['C', 'B', 'A'] et ['N', 'A', 'M'] dans cet ordre particulier.

Utiliser pour la recherche en texte intégral

Trouver des documents contenant des mots de la requête.

 from gifts import SmoothFts

fts = SmoothFts ()

fts . add ([ "wait" , "mister" , "postman" ],
        doc_id = "doc1" )

fts . add ([ "please" , "mister" , "postman" , "look" , "and" , "see" ],
        doc_id = "doc2" )

fts . add ([ "oh" , "yes" , "wait" , "a" , "minute" , "mister" , "postman" ],
        doc_id = "doc3" )

# print IDs of documents in which at least one word of the query occurs, 
# starting with the most relevant matches
for doc_id in fts . search ([ 'postman' , 'wait' ]):
    print ( doc_id )

Utilisation pour l'exploration de données abstraite

Dans les exemples ci-dessus, les mots étaient littéralement des mots comme des cordes. Mais ils peuvent être des objets adaptés comme des clés dict .

 from gifts import SmoothFts

fts = SmoothFts ()

fts . add ([ 3 , 1 , 4 , 1 , 5 , 9 , 2 ], doc_id = "doc1" )
fts . add ([ 6 , 5 , 3 , 5 ], doc_id = "doc2" )
fts . add ([ 8 , 9 , 7 , 9 , 3 , 2 ], doc_id = "doc3" )

for doc_id in fts . search ([ 5 , 3 , 7 ]):
    print ( doc_id )

Détails de la mise en œuvre

Lors du classement des résultats, l'algorithme prend en compte ::

• le nombre de mots correspondants
• La rareté de ces mots dans la base de données
• La fréquence de l'occurrence de mots dans le document

Feux lisses

 from gifts import SmoothFts

Il utilise le logarithmique TF-IDF pour pondérer les mots et la similitude du cosinus pour la notation des correspondances.

Simplefts

 from gifts import SimpleFts

Approche minimaliste: peser, multiplier, comparer. Cet objet est sensiblement plus rapide que SmoothFts .

Installer

pépin

pip3 install git+https://github.com/rtmigo/gifts_py#egg=gifts

setup.py

 install_requires = [
    "gifts@ git+https://github.com/rtmigo/gifts_py"
]

Voir aussi

Le package Skifts fait la même recherche, mais utilise Scikit-Learn et Numpy pour de meilleures performances. C'est littéralement des centaines de fois plus rapidement.