多思考也是一种努力，做出正确的分析和选择，因为我们的时间和精力都有限，所以把时间花在更有价值的地方。
原创
2021-08-25 14:29:21
785阅读
import pysparnn.cluster_index as ci from sklearn.feature_extraction.text import TfidfVectorizer data = [ "hello world", "oh hello there", "Play it", "
原创
2021-08-25 14:44:43
65阅读
""" 构造召回的模型 """ from sklearn.feature_extraction.text import TfidfVectorizer import pysparnn.cluster_index as ci from cut_sentence import cut import js
原创
2021-08-25 14:44:41
276阅读
最近在学习求取数据的K近邻，接触到了PySparNN，在这里记录一下~ 使用Python求取数据的K近邻时，当你的数据不稀疏的时候，faiss和annoy比较合适。但是，当你的数据维度较高，且为稀疏数据的时候，可以考虑使用PySparNN 使用前提：numpy and scipy下面借助官方的两个栗子来说明PySparNN的用法：栗子1：import pysparnn.cluster_inde
