&nbsp>&nbsp
&nbsp>&nbsp
python教程 &nbsp>&nbsp
python文本相似度计算
摘要：步骤分词、去停用词词袋模型向量化文本TF-IDF模型向量化文本LSI模型向量化文本计算相似度理论知识两篇中文文本,如何计算相似度?相似度是数学上的概念,自然语言肯定无法完成,所有要把文本转化为向量。两个向量计算相似度就很简单了,欧式距离、余弦相似度等等各种方法,只需要中学水平的数学知识。那么如何将文本表示成向量呢?词袋模型最简单的表示方法是词袋模型。把一篇文本想象成一个个词构成的,所有词放入一个袋子里,没有先后顺序、没有语义。例如:Johnlikestowatchmovies
分词、去停用词
词袋模型向量化文本
TF-IDF模型向量化文本
LSI模型向量化文本
计算相似度
两篇中文文本,如何计算相似度?相似度是数学上的概念,自然语言肯定无法完成,所有要把文本转化为向量。两个向量计算相似度就很简单了,欧式距离、余弦相似度等等各种方法,只需要中学水平的数学知识。
那么如何将文本表示成向量呢?
词袋模型最简单的表示方法是词袋模型。把一篇文本想象成一个个词构成的,所有词放入一个袋子里,没有先后顺序、没有语义。例如:
John likes to watch movies. Mary likes too.
John also likes to watch football games.
这两个句子,可以构建出一个词典,key为上文出现过的词,value为这个词的索引序号{&John&: 1, &likes&: 2,&to&: 3, &watch&: 4, &movies&: 5,&also&: 6, &football&: 7, &games&: 8,&Mary&: 9, &too&: 10}那么,上面两个句子用词袋模型表示成向量就是:[1, 2, 1, 1, 1, 0, 0, 0, 1, 1][1, 1,1, 1, 0, 1, 1, 1, 0, 0]相对于英文,中文更复杂一些,涉及到分词。准确地分词是所有中文文本分析的基础,本文使用结巴分词,完全开源而且分词准确率相对有保障。
TF-IDF模型词袋模型简单易懂,但是存在问题。中文文本里最常见的词是“的”、“是”、“有”这样的没有实际含义的词。一篇关于足球的中文文本,“的”出现的数量肯定多于“足球”。所以,要对文本中出现的词赋予权重。一个词的权重由TF * IDF 表示,其中TF表示词频,即一个词在这篇文本中出现的频率;IDF表示逆文档频率,即一个词在所有文本中出现的频率倒数。因此,一个词在某文本中出现的越多,在其他文本中出现的越少,则这个词能很好地反映这篇文本的内容,权重就越大。回过头看词袋模型,只考虑了文本的词频,而TF-IDF模型则包含了词的权重,更加准确。文本向量与词袋模型中的维数相同,只是每个词的对应分量值换成了该词的TF-IDF值。
TF-IDF模型足够胜任普通的文本分析任务,用TF-IDF模型计算文本相似度已经比较靠谱了,但是细究的话还存在不足之处。实际的中文文本,用TF-IDF表示的向量维数可能是几百、几千,不易分析计算。此外,一些文本的主题或者说中心思想,并不能很好地通过文本中的词来表示,能真正概括这篇文本内容的词可能没有直接出现在文本中。
因此,这里引入了Latent Semantic Indexing(LSI)从文本潜在的主题来进行分析。LSI是概率主题模型的一种,另一种常见的是LDA,核心思想是:每篇文本中有多个概率分布不同的主题;每个主题中都包含所有已知词,但是这些词在不同主题中的概率分布不同。LSI通过奇异值分解的方法计算出文本中各个主题的概率分布,严格的数学证明需要看相关论文。假设有5个主题,那么通过LSI模型,文本向量就可以降到5维,每个分量表示对应主题的权重。
python实现
分词上使用了结巴分词,词袋模型、TF-IDF模型、LSI模型的实现使用了gensim库。
import jieba.posseg as pseg
import codecs
from gensim import corpora, models, similarities
构建停用词表
stop_words = '/Users/yiiyuanliu/Desktop/nlp/demo/stop_words.txt'
stopwords = codecs.open(stop_words,'r',encoding='utf8').readlines()
stopwords = [ w.strip() for w in stopwords ]
结巴分词后的停用词性 [标点符号、连词、助词、副词、介词、时语素、‘的’、数词、方位词、代词]
stop_flag = ['x', 'c', 'u','d', 'p', 't', 'uj', 'm', 'f', 'r']
对一篇文章分词、去停用词
def tokenization(filename):
result = []
with open(filename, 'r') as f:text = f.read()words = pseg.cut(text)
for word, flag in words:if flag not in stop_flag and word not in stopwords: result.append(word)
return result
选取三篇文章,前两篇是高血压主题的,第三篇是iOS主题的。
filenames = ['/Users/yiiyuanliu/Desktop/nlp/demo/articles/13 件小事帮您稳血压.txt', '/Users/yiiyuanliu/Desktop/nlp/demo/articles/高血压患者宜喝低脂奶.txt', '/Users/yiiyuanliu/Desktop/nlp/demo/articles/ios.txt' ]
corpus = []
for each in filenames:
corpus.append(tokenization(each))
print len(corpus)
Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/1q/k76q2wqys68pzkh0000gn/T/jieba.cache
Loading model cost 0.349 seconds.
Prefix dict has been built succesfully.
建立词袋模型
dictionary = corpora.Dictionary(corpus)
print dictionary
Dictionary(431 unique tokens: [u'/u627e/u51fa', u'/u804c/u4f4d', u'/ue', u'/u4eba/u7fa4', u'/u996e/u54c1']...)
doc_vectors = [dictionary.doc2bow(text) for text in corpus]
print len(doc_vectors)
print doc_vectors
[[(0, 1), (1, 3), (2, 2), (3, 1), (4, 3), (5, 3), (6, 3), (7, 1), (8, 1), (9, 1), (10, 1), (11, 3), (12, 1), (13, 2), (14, 3), (15, 3), (16, 1), (17, 2), (18, 1), (19, 1), (20, 1), (21, 2), (22, 1), (23, 1), (24, 1), (25, 1), (26, 1), (27, 3), (28, 1), (29, 1), (30, 1), (31, 1), (32, 1), (33, 1), (34, 1), (35, 1), (36, 1), (37, 1), (38, 1), (39, 1), (40, 2), (41, 1), (42, 2), (43, 1), (44, 2), (45, 1), (46, 4), (47, 1), (48, 2), (49, 1), (50, 2), (51, 1), (52, 1), (53, 1), (54, 1), (55, 1), (56, 1), (57, 1), (58, 1), (59, 1), (60, 1), (61, 1), (62, 1), (63, 1), (64, 1), (65, 3), (66, 1), (67, 1), (68, 1), (69, 2), (70, 2), (71, 5), (72, 1), (73, 2), (74, 3), (75, 1), (76, 1), (77, 1), (78, 2), (79, 1), (80, 1), (81, 1), (82, 1), (83, 2), (84, 3), (85, 1), (86, 2), (87, 1), (88, 3), (89, 1), (90, 1), (91, 1), (92, 2), (93, 1), (94, 1), (95, 2), (96, 2), (97, 1), (98, 3), (99, 1), (100, 1), (101, 1), (102, 2), (103, 1), (104, 1), (105, 1), (106, 1), (107, 1), (108, 2), (109, 1), (110, 1), (111, 1), (112, 1), (113, 1), (114, 1), (115, 1), (116, 1), (117, 1), (118, 1), (119, 2), (120, 1), (121, 1), (122, 1), (123, 1), (124, 1), (125, 1), (126, 1), (127, 1), (128, 5), (129, 5), (130, 1), (131, 1), (132, 2), (133, 1), (134, 1), (135, 1), (136, 1), (137, 1), (138, 6), (139, 1), (140, 1), (141, 1), (142, 4), (143, 1), (144, 2), (145, 1), (146, 1), (147, 1), (148, 2), (149, 1), (150, 1), (151, 5), (152, 1), (153, 1), (154, 1), (155, 1), (156, 1), (157, 1), (158, 1), (159, 1), (160, 1), (161, 2), (162, 15), (163, 3), (164, 1), (165, 1), (166, 2), (167, 1), (168, 6), (169, 1), (170, 1), (171, 1), (172, 3), (173, 1), (174, 1), (175, 2), (176, 1), (177, 1), (178, 2), (179, 2), (180, 1), (181, 6), (182, 1), (183, 1), (184, 1), (185, 2), (186, 1), (187, 1), (188, 1), (189, 1), (190, 1), (191, 1), (192, 1), (193, 1), (194, 1), (195, 1), (196, 1), (197, 1), (198, 1), (199, 1), (200, 1), (201, 5), (202, 1), (203, 2), (204, 2), (205, 1), (206, 1), (207, 1), (208, 1), (209, 2), (210, 1), (211, 1), (212, 1), (213, 1), (214, 1), (215, 1), (216, 1), (217, 1), (218, 1), (219, 3), (220, 1), (221, 1), (222, 4), (223, 1), (224, 1), (225, 1), (226, 1), (227, 1), (228, 1), (229, 1), (230, 1), (231, 2), (232, 12), (233, 1), (234, 1), (235, 1), (236, 2), (237, 1), (238, 1), (239, 1), (240, 1), (241, 1), (242, 1), (243, 1), (244, 1), (245, 1), (246, 1), (247, 4), (248, 2), (249, 1), (250, 1), (251, 1), (252, 1), (253, 2), (254, 1), (255, 1), (256, 1), (257, 6), (258, 1), (259, 2)], [(6, 1), (7, 1), (11, 1), (14, 1), (15, 2), (27, 1), (47, 2), (71, 1), (78, 1), (92, 2), (101, 1), (106, 1), (112, 4), (121, 1), (138, 6), (143, 1), (151, 2), (155, 1), (158, 1), (162, 4), (170, 2), (203, 1), (213, 1), (227, 1), (232, 7), (254, 2), (260, 1), (261, 1), (262, 1), (263, 1), (264, 1), (265, 1), (266, 1), (267, 2), (268, 1), (269, 1), (270, 1), (271, 1), (272, 1), (273, 1), (274, 1), (275, 1), (276, 2), (277, 3), (278, 1), (279, 1), (280, 1), (281, 1), (282, 1), (283, 1), (284, 1), (285, 1), (286, 2), (287, 1), (288, 3), (289, 1), (290, 1), (291, 1), (292, 2), (293, 2), (294, 1), (295, 1), (296, 1), (297, 3), (298, 1), (299, 1), (300, 1), (301, 1), (302, 1)], [(14, 5), (19, 1), (22, 1), (25, 1), (27, 3), (77, 3), (89, 1), (103, 2), (132, 1), (137, 2), (147, 1), (161, 1), (169, 5), (201, 2), (208, 2), (257, 1), (266, 1), (272, 1), (303, 2), (304, 2), (305, 1), (306, 6), (307, 1), (308, 2), (309, 2), (310, 1), (311, 2), (312, 1), (313, 1), (314, 10), (315, 1), (316, 1), (317, 3), (318, 1), (319, 1), (320, 1), (321, 3), (322, 2), (323, 3), (324, 2), (325, 14), (326, 1), (327, 1), (328, 3), (329, 1), (330, 1), (331, 2), (332, 6), (333, 2), (334, 3), (335, 1), (336, 1), (337, 1), (338, 1), (339, 1), (340, 4), (341, 1), (342, 1), (343, 1), (344, 3), (345, 1), (346, 1), (347, 1), (348, 1), (349, 1), (350, 1), (351, 2), (352, 4), (353, 2), (354, 1), (355, 1), (356, 1), (357, 3), (358, 1), (359, 14), (360, 1), (361, 1), (362, 1), (363, 1), (364, 2), (365, 1), (366, 1), (367, 1), (368, 4), (369, 1), (370, 1), (371, 1), (372, 1), (373, 1), (374, 1), (375, 1), (376, 2), (377, 1), (378, 1), (379, 1), (380, 1), (381, 2), (382, 1), (383, 4), (384, 1), (385, 2), (386, 1), (387, 1), (388, 2), (389, 1), (390, 1), (391, 1), (392, 2), (393, 1), (394, 1), (395, 2), (396, 1), (397, 1), (398, 2), (399, 1), (400, 1), (401, 2), (402, 1), (403, 3), (404, 2), (405, 1), (406, 1), (407, 2), (408, 1), (409, 2), (410, 1), (411, 2), (412, 2), (413, 1), (414, 1), (415, 1), (416, 1), (417, 1), (418, 1), (419, 5), (420, 1), (421, 1), (422, 1), (423, 3), (424, 1), (425, 1), (426, 1), (427, 1), (428, 1), (429, 1), (430, 6)]]
建立TF-IDF模型
tfidf = models.TfidfModel(doc_vectors)
tfidf_vectors = tfidf[doc_vectors]
print len(tfidf_vectors)
print len(tfidf_vectors[0])
构建一个query文本,是高血压主题的,利用词袋模型的字典将其映射到向量空间
query = tokenization('/Users/yiiyuanliu/Desktop/nlp/demo/articles/关于降压药的五个问题.txt')
query_bow = dictionary.doc2bow(query)
print len(query_bow)
print query_bow
[(6, 1), (11, 1), (14, 1), (19, 1), (25, 1), (28, 1), (38, 2), (44, 3), (50, 4), (67, 1), (71, 1), (97, 1), (101, 3), (105, 2), (137, 1), (138, 4), (148, 6), (151, 2), (155, 1), (158, 3), (162, 4), (169, 1), (173, 2), (203, 1), (232, 12), (236, 1), (244, 9), (257, 1), (266, 1), (275, 2), (282, 1), (290, 2), (344, 1), (402, 1), (404, 3)]
index = similarities.MatrixSimilarity(tfidf_vectors)
用TF-IDF模型计算相似度,相对于前两篇高血压主题的文本,iOS主题文本与query的相似度很低。可见TF-IDF模型是有效的,然而在语料较少的情况下,与同是高血压主题的文本相似度也不高。
sims = index[query_bow]
print list(enumerate(sims))
[(0, 0.), (1, 0.), (2, 0.)]
构建LSI模型,设置主题数为2(理论上这两个主题应该分别为高血压和iOS)
lsi = models.LsiModel(tfidf_vectors, id2word=dictionary, num_topics=2)
lsi.print_topics(2)
u'0.286*&/u9ad8/ub& + 0.241*&/ub& + 0.204*&/u60a3/u8005& + 0.198*&/u559d& + 0.198*&/u4f4e& + 0.198*&/u& + 0.155*&/u538b/u529b& + 0.155*&/u852c/u83dc& + 0.132*&/u542b/u9499& + 0.132*&/u&'),
u'0.451*&iOS& + 0.451*&/u5f00/u53d1& + 0.322*&/u610f/u4e49& + 0.193*&/u57f9/u8bad& + 0.193*&/u& + 0.193*&/u884c/u4e1a& + 0.161*&/u7b97/u6cd5& + 0.129*&/u9ad8/u8003& + 0.129*&/u5e02/u573a& + 0.129*&/u57fa/u7840&')]
lsi_vector = lsi[tfidf_vectors]
for vec in lsi_vector:
[(0, 0.36277), (1, -0.1168236)]
[(0, 0.54608), (1, -0.161914)]
[(0, 0.220297), (1, 0.17183)]
在LSI向量空间中,所有文本的向量都是二维的
query = tokenization('/Users/yiiyuanliu/Desktop/nlp/demo/articles/关于降压药的五个问题.txt')
query_bow = dictionary.doc2bow(query)
print query_bow
[(6, 1), (11, 1), (14, 1), (19, 1), (25, 1), (28, 1), (38, 2), (44, 3), (50, 4), (67, 1), (71, 1), (97, 1), (101, 3), (105, 2), (137, 1), (138, 4), (148, 6), (151, 2), (155, 1), (158, 3), (162, 4), (169, 1), (173, 2), (203, 1), (232, 12), (236, 1), (244, 9), (257, 1), (266, 1), (275, 2), (282, 1), (290, 2), (344, 1), (402, 1), (404, 3)]
query_lsi = lsi[query_bow]
print query_lsi
[(0, 7.6249), (1, 0.53138)]
index = similarities.MatrixSimilarity(lsi_vector)
sims = index[query_lsi]
print list(enumerate(sims))
[(0, 0.), (1, 0.), (2, 0.)]
可以看到LSI的效果很好,一个高血压主题的文本与前两个训练文本的相似性很高,而与iOS主题的第三篇训练文本相似度很低
Coursera: Text Mining and Analytics
阮一峰:TF-IDF与余弦相似性的应用(一):自动提取关键词
如何计算两个文档的相似度
以上是的内容，更多
的内容，请您使用右上方搜索功能获取相关信息。
若你要投稿、删除文章请联系邮箱：zixun-group@service.aliyun.com,工作人员会在五个工作日内给你回复。
云服务器 ECS
可弹性伸缩、安全稳定、简单易用
&40.8元/月起
预测未发生的攻击
&24元/月起
为您提供0门槛上云实践机会
你可能还喜欢
你可能感兴趣
阿里云教程中心为您免费提供
python文本相似度计算相关信息，包括
的信息，所有python文本相似度计算相关内容均不代表阿里云的意见！投稿删除文章请联系邮箱：zixun-group@service.aliyun.com，工作人员会在五个工作日内答复
售前咨询热线
服务与支持
账号与支持
关注阿里云
International更多频道内容在这里查看
爱奇艺用户将能永久保存播放记录
过滤短视频
暂无长视频（电视剧、纪录片、动漫、综艺、电影）播放记录，
按住视频可进行拖动
&正在加载...
{{ each data as item index}}
{{if item.isLast}}
&正在加载...
抱歉，本页暂无内容！
{{#payMarkUrl}}
{{/payMarkUrl}}
{{^payMarkUrl}}
{{/payMarkUrl}}
&正在加载...
{{ each data as item index}}
{{item.playcount}}
把视频贴到Blog或BBS
当前浏览器仅支持手动复制代码
视频地址：
flash地址：
html代码：
通用代码：
通用代码可同时支持电脑和移动设备的分享播放
方式1：用手机看
用爱奇艺APP或微信扫一扫，在手机上继续观看
当前播放时间：
方式2：一键下载至手机
限爱奇艺安卓6.0以上版本
使用微信扫一扫，扫描左侧二维码，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接//71.am/udn
下载安装包到本机：&&
设备搜寻中...
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
连接失败！
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
部安卓（Android）设备，请点击进行选择
请您在手机端下载爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接http://71.am/udn
下载安装包到本机：&&
爱奇艺云推送
请您在手机端登录爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
180秒后更新
打开爱奇艺移动APP，点击“我的-扫一扫”，扫描左侧二维码进行登录
没有安装爱奇艺视频最新客户端？
正在检测客户端...
您尚未安装客户端，正在为您下载...安装完成后点击按钮即可下载
30秒后自动关闭
请选择打赏金额：
播放量12.7万
播放量数据：快去看看谁在和你一起看视频吧~
更多数据：
{{each data}}
抱歉，没有“{{feature}}”的其他视频了.
&正在加载...
&正在加载...
&正在加载...
&正在加载...
&正在加载...
&正在加载...
{{ each data as item index}}
Copyright (C) 2018
All Rights Reserved
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制
正在为您下载爱奇艺客户端安装后即可快速下载海量视频
正在为您下载爱奇艺客户端安装后即可免费观看1080P视频
&li data-elem="tabtitle" data-seq="{{seq}}"&
&a href="javascript:void(0);"&
&span>{{start}}-{{end}}&/span&
&li data-downloadSelect-elem="item" data-downloadSelect-selected="false" data-downloadSelect-tvid="{{tvid}}"&
&a href="javascript:void(0);"&{{pd}}&/a&
选择您要下载的《》剧集：
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制深夜真情实感，很多年以前红过的童星，兔子们比较惋惜谁？比如王莎莎谢孟伟尤浩然释小龙郝劭文曹骏这几个，李涛，早早地成为童星是不是演戏相应地就套路了不好转型
―― 晋江文学城网友交流区
主题：深夜真情实感，很多年以前红过的童星，兔子们比较惋惜谁？比如王莎莎谢孟伟尤浩然释小龙郝劭文曹骏这几个，李涛，早早地成为童星是不是演戏相应地就套路了不好转型[499]
lz说的这几个，长大以后外形限制真的太大了，做不了花旦和小生
№1&☆☆☆= =于 23:32:05留言☆☆☆　
释小龙小时候真的好可爱
№2&☆☆☆= =于 23:33:36留言☆☆☆　
张一山的演技emmmmmm老实说，我前几天看到hp直男在评价他，我觉得很有道理“张一山自从余罪之后，就被资本盯上了，如果再不提高自己接戏的水平，就是昙花一现，最近这几个戏，大多都是烂片，电影更是无一不烂”要知道以前他们可是特别爱吹他演技的，最近是脱下滤镜了么
№3&☆☆☆= =于 23:34:19留言☆☆☆　
曹骏，现在看他挺帅的，而且宝莲灯童年
№4&☆☆☆= =于 23:34:47留言☆☆☆　
（收起）张一山的演技emmmmmm老实说，我前几天看到hp直男在评价他，我觉得很有道理“张一山自从余罪之后，就被资本盯上了，如果再不提高自己接戏的水平，就是昙花一现，最近这几个戏，大多都是烂片，电影更是无一不烂”要知道以前他们可是特别爱吹他演技的，最近是脱下滤镜了么№3 ☆☆☆= =于 23:34:19留言☆☆（显示全部）☆说得有道理啊
№5&☆☆☆= =于 23:35:23留言☆☆☆　
释小龙我不懂，他走武生的路子应该很轻松啊
№6&☆☆☆= =于 23:35:46留言☆☆☆　
释小龙减减肥不就是三浦翔平吗，演个周正小帅哥还是可以的，小时候怎么能这么可爱！
№7&☆☆☆= =于 23:35:49留言☆☆☆　
尤浩然的问题是他的颜值和身材即使在路人中间也算是很糟糕的那一类，偏偏自己又不下功夫，就……娱乐圈哪那么容易混啊
№8&☆☆☆= =于 23:35:52留言☆☆☆　
不是演戏套路原因，是外形啊。长大都不是正统生花的类型。
№9&☆☆☆= =于 23:36:20留言☆☆☆　
释小龙，毕竟小时候太可爱了。不过他给自己定的路线是武生，不是什么流量小生，说不定过几年在成熟一点可以出头呢。
№10&☆☆☆= =于 23:36:58留言☆☆☆　
（收起）张一山的演技emmmmmm老实说，我前几天看到hp直男在评价他，我觉得很有道理“张一山自从余罪之后，就被资本盯上了，如果再不提高自己接戏的水平，就是昙花一现，最近这几个戏，大多都是烂片，电影更是无一不烂”要知道以前他们可是特别爱吹他演技的，最近是脱下滤镜了么№3?☆☆☆= =于 23:34:19留言☆☆（显示全部）☆的确很有道理，对hp直男改观了
№11&☆☆☆= =于 23:37:12留言☆☆☆　
你说的这几个颜都不太能打。。。
№12&☆☆☆= =于 23:37:36留言☆☆☆　
释小龙为什么没长成霓虹的三浦翔平啊，那才是他正确的成长方式吧，小时候太灵了
№13&☆☆☆= =于 23:37:49留言☆☆☆　
曹骏是bt里标题里目前唯一还好看点的？
№14&☆☆☆= =于 23:38:37留言☆☆☆　
看到王莎莎说一句，她这样挺好的别整容走流量就行
№15&☆☆☆= =于 23:38:41留言☆☆☆　
释小龙我不懂，他走武生的路子应该很轻松啊№6 ☆☆☆= =于 23:35:46留言☆☆☆没有资源，这几年一年一部动作电视剧，毫无水花。电影资源也有，但是接电影特别谨慎，所以没有好片宁可不接
№16&☆☆☆= =于 23:38:49留言☆☆☆　
释小龙.......小时候真的太可爱了国民度还高
№17&☆☆☆= =于 23:39:19留言☆☆☆　
释小龙为什么没长成霓虹的三浦翔平啊，那才是他正确的成长方式吧，小时候太灵了№13 ☆☆☆= =于 23:37:49留言☆☆☆虽然五官像，但是释小龙骨架太大了阿，从小就是肉嘟嘟的，减不下去，练武的本来就壮
№18&☆☆☆= =于 23:40:15留言☆☆☆　
曹骏是bt里标题里目前唯一还好看点的？№14 ☆☆☆= =于 23:38:37留言☆☆☆释小龙也瘦下来了，王莎莎也不错
№19&☆☆☆= =于 23:40:45留言☆☆☆　
（收起）张一山的演技emmmmmm老实说，我前几天看到hp直男在评价他，我觉得很有道理“张一山自从余罪之后，就被资本盯上了，如果再不提高自己接戏的水平，就是昙花一现，最近这几个戏，大多都是烂片，电影更是无一不烂”要知道以前他们可是特别爱吹他演技的，最近是脱下滤镜了么№3?☆☆☆= =于 23:34:19留言☆☆（显示全部）☆那是16年吧，我旁边也在吹他，然而我看的时候只觉得太用力了，而且我觉得他现在有点走偏，最近这几部扑街网剧，风评真的是比较糟糕，入了魔一样感觉就是为了把自己跟小鲜肉区分开，明显用力过猛，搞的跟精神分裂似的。
№20&☆☆☆= =于 23:41:03留言☆☆☆　
释小龙我一直以为会接班成龙李连杰……
№21&☆☆☆= =于 23:41:52留言☆☆☆　
王莎莎的个头比较矮吧，而且比较黑
№22&☆☆☆= =于 23:41:59留言☆☆☆　
张一山外形受限啊选择余地本来就不大吧，他的帖子总是被其他九五粉黑毁或者拿来当枪不就可以说明问题么？就是路人下意识不觉得他是26岁已成年小生，还把他拿小孩比呢
№23&☆☆☆= =于 23:42:42留言☆☆☆　
张一山的演技emmmmmm老实说，我前几天看到hp直男在评价他，我觉得很有道理“张一山自从余罪之后，就被资本盯上了，如果再不提高自己接戏的水平，就是昙花一现，最近这几个戏，大多都是烂片，电影更是无一不烂”要知道以前他们可是特别爱吹他演技的，最近是脱下滤镜了么№3?☆☆☆= =于 23:34:19留言☆☆☆那是16年吧，我旁边也在吹他，然而我看的时候只觉得太用力了，而且我觉得他现在有点走偏，最近这几部扑街网剧，风评真的是比较糟糕，入了魔一样感觉就是为了把自己跟小鲜肉区分开，明显用力过猛，搞的跟精神分裂似的。№20 ☆☆☆= =于 23:41:03留言☆☆☆不就一个柒个我么？也没别的了吧？春风十里虽然水花不太大但是觉得还是适合他的吧
№24&☆☆☆= =于 23:43:33留言☆☆☆　
释小龙小时候真的太太太可爱了，目前我觉得没哪个童星比他小时候可爱，大了就一般般，曹骏我也很喜欢他，但是觉得宝莲灯是他最后好看的时候了，他宝莲灯那段时间真的是我最喜欢的长相了
№25&☆☆☆= =于 23:43:43留言☆☆☆　
（收起）张一山的演技emmmmmm老实说，我前几天看到hp直男在评价他，我觉得很有道理“张一山自从余罪之后，就被资本盯上了，如果再不提高自己接戏的水平，就是昙花一现，最近这几个戏，大多都是烂片，电影更是无一不烂”要知道以前他们可是特别爱吹他演技的，最近是脱下滤镜了么№3?☆☆☆= =于 23:34:1<font（显示全部） color="#留言☆☆☆那是16年吧，我旁边也在吹他，然而我看的时候只觉得太用力了，而且我觉得他现在有点走偏，最近这几部扑街网剧，风评真的是比较糟糕，入了魔一样感觉就是为了把自己跟小鲜肉区分开，明显用力过猛，搞的跟精神分裂似的。№20?☆☆☆= =于 23:41:03留言☆☆☆直男估计是被十里春风辣到了233333，word妈那个妆弄得真超辣眼睛，又演得浮夸，剧情也不好。。。。。。。。
№26&☆☆☆= =于 23:44:21留言☆☆☆　
释小龙郝邵文！小和尚可爱爆炸
№27&☆☆☆= =于 23:44:42留言☆☆☆　
其实童星出来，有时候更困难。。。在童星的时候其实是没人脉。。尤其YLQ要么你能帮人挣钱，要么人能抗住。。不过新一批童星感觉不错，看那个造化大了。。。。张一山说白了就是工作室不给力，我觉得他是抗不住的，因为有时候工作室或经纪人能力不够是抗不住的，抗不住的列子太多了，说实在谁不愿意接好戏。。
№28&☆☆☆==于 23:44:50留言☆☆☆　
王莎莎的个头比较矮吧，而且比较黑№22 ☆☆☆= =于 23:41:59留言☆☆☆女生还好啦，走不了流量，可以走实力派。演技还是不错阿。
№29&☆☆☆= =于 23:45:16留言☆☆☆　
释小龙我一直觉得他一旦瘦下来就会变成三浦翔平的，现在脸和脖子那块就壮了那么一点点，就一点点
№30&☆☆☆= =于 23:45:29留言☆☆☆　
张一山的演技其实我觉得没有很好，标题里我个人觉得王莎莎演技最好，武林外传里演的的确好，我那时候看都没想到是小兵张嘎里的英子
№31&☆☆☆= =于 23:45:44留言☆☆☆　
三浦翔平现在颜也挺能打的，怎么释小龙长大就残了呢，明明是同一套五官
№32&☆☆☆= =于 23:46:28留言☆☆☆　
我说个国外的吧，福田麻由子，当年觉得又好看演技又灵，并且完全不是儿童那种，特别少女，结果长大了也不能说残了，就是灵气消失了，完全是普通女孩了
№33&☆☆☆= =于 23:46:42留言☆☆☆　
你们还记不记得一个叫杨丽晓的童星，家有儿女里胖婶的女儿
№34&☆☆☆= =于 23:46:43留言☆☆☆　
释小龙。身手好，演得也还行，小时候练功吃了好多苦，真心希望以后能有好发展
№35&☆☆☆= =于 23:47:57留言☆☆☆　
你们还记不记得一个叫杨丽晓的童星，家有儿女里胖婶的女儿№34 ☆☆☆= =于 23:46:43留言☆☆☆那不是少包的小狸吗？还演过家有儿女？？
№36&☆☆☆= =于 23:48:15留言☆☆☆　
你为什么不列那些发展不错的童星呢，这些发展不好不是因为颜值不够吗？
№37&☆☆☆= =于 23:48:18留言☆☆☆　
你们还记不记得一个叫杨丽晓的童星，家有儿女里胖婶的女儿№34?☆☆☆= =于 23:46:43留言☆☆☆我记得，家有儿女剧里叫佳佳好像是？最近我看到她是在加一叔的剧里，演一个配角，长得还可以其实，挺温婉的类型，磨砺磨砺不知道可不可以往青衣那块走
№38&☆☆☆= =于 23:49:15留言☆☆☆　
三浦翔平现在颜也挺能打的，怎么释小龙长大就残了呢，明明是同一套五官№32?☆☆☆= =于 23:46:28留言☆☆☆释小龙看着壮，而且发际线有点点危险
№39&☆☆☆= =于 23:49:30留言☆☆☆　
释小龙啊！我一直觉得少包三里他还蛮好看的
№40&☆☆☆= =于 23:49:31留言☆☆☆　
我说个国外的吧，福田麻由子，当年觉得又好看演技又灵，并且完全不是儿童那种，特别少女，结果长大了也不能说残了，就是灵气消失了，完全是普通女孩了№33 ☆☆☆= =于 23:46:42留言☆☆☆女王教室里的夏帆也是，长大之后那股灵气也没了
№41&☆☆☆= =于 23:49:31留言☆☆☆　
你们还记不记得一个叫杨丽晓的童星，家有儿女里胖婶的女儿№34 ☆☆☆= =于 23:46:43留言☆☆☆那不是少包的小狸吗？还演过家有儿女？？№36 ☆☆☆= =于 23:48:15留言☆☆☆非回，我记得少包的小狸长得超可爱！！
№42&☆☆☆= =于 23:49:50留言☆☆☆　
曹骏，宝莲灯时期看着都要转型成功了，也没长歪，不知怎么就糊了
№43&☆☆☆= =于 23:50:02留言☆☆☆　
是外形吧，释小龙其实大了一点还是红的，后来胖了就光速糊了
№44&☆☆☆= =于 23:50:13留言☆☆☆　
你为什么不列那些发展不错的童星呢，这些发展不好不是因为颜值不够吗？№37 ☆☆☆= =于 23:48:18留言☆☆☆非回，发展不错的且能称之为童星的都是95居多了吧,bt这些是童年回忆系列
№45&☆☆☆= =于 23:50:52留言☆☆☆　
顶个锅盖来说，不知道是我很久没看电视剧还是那些电视剧不火，现在好多人说的童星（不是标题那些）我都不知道不认识，童星难道不应该要有个主角戏吗？
№46&☆☆☆= =于 23:51:09留言☆☆☆　
曹骏，宝莲灯时期看着都要转型成功了，也没长歪，不知怎么就糊了№43 ☆☆☆= =于 23:50:02留言☆☆☆根本原因是不够帅，长相身材不符合现在追星少女的审美观
№47&☆☆☆= =于 23:51:17留言☆☆☆　
曹骏，宝莲灯时期看着都要转型成功了，也没长歪，不知怎么就糊了№43 ☆☆☆= =于 23:50:02留言☆☆☆宝莲灯拍完就去读书，离开圈里四年，什么都耽误了
№48&☆☆☆= =于 23:52:04留言☆☆☆　
顶个锅盖来说，不知道是我很久没看电视剧还是那些电视剧不火，现在好多人说的童星（不是标题那些）我都不知道不认识，童星难道不应该要有个主角戏吗？№46 ☆☆☆= =于 23:51:09留言☆☆☆现在小时候演个角色就敢说童星谁知道他们阿。童星必然是得有代表作那种阿。
№49&☆☆☆= =于 23:53:36留言☆☆☆　
曹骏糊的好突然，前一年还在刷宝莲灯，后一年就没他消息了
№50&☆☆☆= =于 23:53:54留言☆☆☆　
释小龙啊！我一直觉得少包三里他还蛮好看的№40?☆☆☆= =于 23:49:31留言☆☆☆少包3的傻大包+双目无神策策+玉米烫奶猫简直三重暴击，童年阴影系列，到隋唐英雄传还是好看的
№51&☆☆☆= =于 23:54:32留言☆☆☆　
蒋小涵，她演技我觉得很有成人的技巧
№52&☆☆☆= =于 23:54:36留言☆☆☆　
曹骏，宝莲灯时期看着都要转型成功了，也没长歪，不知怎么就糊了№43 ☆☆☆= =于 23:50:02留言☆☆☆宝莲灯拍完就去读书，离开圈里四年，什么都耽误了№48 ☆☆☆= =于 23:52:04留言☆☆☆那时还不能边上学边拍戏
№53&☆☆☆= =于 23:55:04留言☆☆☆　
曹俊其实脸没怎么残，和小时候一个样子，但是他好像身高不太够
№54&☆☆☆= =于 23:56:05留言☆☆☆　
王莎莎演技真的挺不错的，不过我没看过她武林外传以后的戏了，现在有没有变清秀点
№55&☆☆☆= =于 23:56:50留言☆☆☆　
释小龙啊！我一直觉得少包三里他还蛮好看的№40?☆☆☆= =于 23:49:31留言☆☆☆少包3的傻大包+双目无神策策+玉米烫奶猫简直三重暴击，童年阴影系列，到隋唐英雄传还是好看的№51 ☆☆☆= =于 23:54:32留言☆☆☆隋唐早于少包3，少包三是释小龙出国留学的假期回来演的。玉米烫是奶猫自己的头发哈哈哈哈哈孩子那个时候的审美杀马特期间
№56&☆☆☆= =于 23:56:58留言☆☆☆　
你们还记不记得一个叫杨丽晓的童星，家有儿女里胖婶的女儿№34 ☆☆☆= =于 23:46:43留言☆☆☆刚刚搜了下，有印象哎，看简介出国留学了
№57&☆☆☆= =于 23:57:48留言☆☆☆　
张一山怎么说呢，起点很高，但自身天赋有限，外形也不是很突出，上限不会太高。由于刘星这个角色的代入感使得张一山在我们心中有特殊的地位，所以在一部分人心中对他的期望很高。但不能盲目吹捧，一系列网剧及电视剧我没发现他演技的进步，只是参演这种高流量高话题（说真的也不算很高）的网剧，却不能沉淀下来好好长进表演，那么我得出他上限不高的理论也是成立的。还有张一山的长相，没特色，离高大帅气很远，离阴险狡诈也不近，自身资源也不及其他，如果今后无法在大荧幕上有优质的表现，作为出道即巅峰的代表，能看到的上限确实不高，但我也期望他能打磨演技，有更好的作品。【虽然他当街摸鸟什么的真的很败好感，但我还是对他抱有希望的】
№58&☆☆☆= =于 23:58:01留言☆☆☆　
曹俊其实脸没怎么残，和小时候一个样子，但是他好像身高不太够№54 ☆☆☆= =于 23:56:05留言☆☆☆173吧可能是，练武的长不高233333
№59&☆☆☆= =于 23:58:07留言☆☆☆　}