我有 2 个文档 AB（或 2 个系列文档），并且想获得一个显示两个文档之间差异的新文档：AB
不同的是，有几个定义，一个是：单词列表/“概念”包含在A中但不包含在B中。
我正在考虑对 A 和 B 的每个句子使用 TF IDF，例如：
from sklearn.feature_extraction.text import TfidfVectorizer
d1 = [open(f1) for f1 in text_files]
tfidf = TfidfVectorizer().fit_transform(d1)
pairwise_similarity = tfidf * tfidf.T
我不确定这是否与生成新文档 C="AB" 相关，特别是对文档 C 中的“语义差异”感兴趣
gensim 使用余弦相似度计算文档之间的相似度（详见此处）：
index = similarities.MatrixSimilarity(lsi[corpus]) # transform corpus to LSI space and index it
sims = index[vec_lsi] # perform a similarity query against the corpus
在上面的代码中，vec_lsi是 LSI 空间中的文档 A，并且sims是 A 与corpus.
根据wikipedia，您可以转动余弦相似度并计算角距离，这是一个距离度量：
distance = np.arccos(sims)/np.pi
请注意，这些余弦相似度和角距离是基于向量的，它们的解释将取决于向量的组成。在我的示例中，向量是潜在语义索引 (LSI) 分数，因此角距离与语义空间中的距离有关。