在Python中实现语义相似度查找功能有多种方法，下面介绍几种常见的实现方式。 ### 使用WordNet计算语义相似度 WordNet是一个英语词汇数据库，可用于计算词集之间的语义相似度。以下是使用`nltk`库中的WordNet来计算语义相似度的示例代码： ```python import nltk from nltk.corpus import wordnet as wn nltk.download('wordnet') # 定义两个词集 synset1 = wn.synsets('car')[0] synset2 = wn.synsets('automobile')[0] # 计算路径相似度 similarity = synset1.path_similarity(synset2) print(f"Path similarity between 'car' and 'automobile': {similarity}") ``` 此代码使用`nltk`库中的WordNet，通过`path_similarity`方法计算两个词集之间的路径相似度，该方法是基于词集在WordNet层次结构中的路径长度来计算相似度的 [^2]。 ### 使用向量空间模型计算语义相似度 可以使用`sklearn`库将文本转换为向量，然后使用余弦相似度来计算文本之间的语义相似度。示例代码如下： ```python from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity # 定义文本列表 texts = ["The quick brown fox jumps over the lazy dog", "A quick brown dog outpaces a quick fox"] # 创建TfidfVectorizer对象 vectorizer = TfidfVectorizer() # 将文本转换为向量 vectors = vectorizer.fit_transform(texts) # 计算余弦相似度 similarity = cosine_similarity(vectors[0], vectors[1]) print(f"Cosine similarity between the two texts: {similarity[0][0]}") ``` 此代码使用`TfidfVectorizer`将文本转换为TF-IDF向量，然后使用`cosine_similarity`计算两个向量之间的余弦相似度。 ### 基于《知网》的语义相似度计算 可以参考`yongyehuang/word_similarity`项目（基于《知网》的语义相似度计算），但该项目是Python 2.7的API。其原理是将词汇组织在多棵树结构中，通过节点间路径长度来度量概念语义之间的距离 [^5]。以下是简单示例代码框架： ```python # 假设存在一个基于知网的语义相似度计算类 class知网SemanticSimilarity: def __init__(self): # 初始化操作，如加载知网数据等 pass def calculate_similarity(self, word1, word2): # 实现基于知网的语义相似度计算逻辑 return 0.0 # 使用示例 similarity_calculator = 知网SemanticSimilarity() word1 = "苹果" word2 = "梨" similarity = similarity_calculator.calculate_similarity(word1, word2) print(f"Semantic similarity between '{word1}' and '{word2}': {similarity}") ```