如何根据文档相似度对文本数据进行分组？

Question

考虑如下数据框

df = pd.DataFrame({'Questions': ['What are you doing?','What are you doing tonight?','What are you doing now?','What is your name?','What is your nick name?','What is your full name?','Shall we meet?',
                             'How are you doing?' ]})

                   问题
0 你在做什么？
1 今晚你做什么？
2 你现在在做什么？
3 你叫什么名字？
4 你的昵称是什么？
5 你的全名是什么？
6 我们见面好吗？
7 你好吗？

如何将具有类似问题的数据框分组？即如何获得如下所示的组

for _, i in df.groupby('similarity')['Questions']:
    print(i,'\n')

6 我们见面好吗？
名称：问题，数据类型：对象

3 你叫什么名字？
4 你的昵称是什么？
5 你的全名是什么？
名称：问题，数据类型：对象

0 你在做什么？
1 今晚你做什么？
2 你现在在做什么？
7 你好吗？
名称：问题，数据类型：对象

这里提出了类似的问题，但不太清楚，所以没有回答这个问题

Answer 1

这是一个相当大的方法，通过查找normalized similarity score系列中所有元素之间的关系，然后根据新获得的转换为字符串的相似性列表对它们进行分组。IE

import numpy as np
import nltk
from nltk.corpus import wordnet as wn
import pandas as pd

def convert_tag(tag):   
    tag_dict = {'N': 'n', 'J': 'a', 'R': 'r', 'V': 'v'}
    try:
        return tag_dict[tag[0]]
    except KeyError:
        return None

def doc_to_synsets(doc):
    """
    Returns a list of synsets in document.

    Tokenizes and tags the words in the document doc.
    Then finds the first synset for each word/tag combination.
    If a synset is not found for that combination it is skipped.

    Args:
        doc: string to be converted

    Returns:
        list of synsets

    Example:
        doc_to_synsets('Fish are nvqjp friends.')
        Out: [Synset('fish.n.01'), Synset('be.v.01'), 
     Synset('friend.n.01')]
    """

    synsetlist =[]
    tokens=nltk.word_tokenize(doc)
    pos=nltk.pos_tag(tokens)    
    for tup in pos:
        try:
            synsetlist.append(wn.synsets(tup[0], convert_tag(tup[1]))[0])
        except:
            continue           
    return synsetlist

def similarity_score(s1, s2):
    """
    Calculate the normalized similarity score of s1 onto s2

    For each synset in s1, finds the synset in s2 with the largest similarity value.
    Sum of all of the largest similarity values and normalize this value by dividing it by the number of largest similarity values found.

    Args:
        s1, s2: list of synsets from doc_to_synsets

    Returns:
        normalized similarity score of s1 onto s2

    Example:
        synsets1 = doc_to_synsets('I like cats')
        synsets2 = doc_to_synsets('I like dogs')
        similarity_score(synsets1, synsets2)
        Out: 0.73333333333333339
    """

    highscores = []
    for synset1 in s1:
        highest_yet=0
        for synset2 in s2:
            try:
                simscore=synset1.path_similarity(synset2)
                if simscore>highest_yet:
                    highest_yet=simscore
            except:
                continue

        if highest_yet>0:
             highscores.append(highest_yet)  

    return sum(highscores)/len(highscores)  if len(highscores) > 0 else 0

def document_path_similarity(doc1, doc2):
    synsets1 = doc_to_synsets(doc1)
    synsets2 = doc_to_synsets(doc2)
    return (similarity_score(synsets1, synsets2) + similarity_score(synsets2, synsets1)) / 2


def similarity(x,df):
    sim_score = []
    for i in df['Questions']:
        sim_score.append(document_path_similarity(x,i))
    return sim_score

从上面定义的方法我们现在可以做

df['similarity'] = df['Questions'].apply(lambda x : similarity(x,df)).astype(str)

for _, i in df.groupby('similarity')['Questions']:
    print(i,'\n')

输出 ：

6 我们见面好吗？
名称：问题，数据类型：对象

3 你叫什么名字？
4 你的昵称是什么？
5 你的全名是什么？
名称：问题，数据类型：对象

0 你在做什么？
1 今晚你做什么？
2 你现在在做什么？
7 你好吗？
名称：问题，数据类型：对象

这不是解决问题的最佳方法，而且速度非常慢。任何新方法都会受到高度赞赏。