TF-IDF与余弦相似性的应用(二) 找出相似文章


Posted in Python onDecember 21, 2017

上一次,我用TF-IDF算法自动提取关键词。

今天,我们再来研究另一个相关的问题。有些时候,除了找到关键词,我们还希望找到与原文章相似的其他文章。比如,"Google新闻"在主新闻下方,还提供多条相似的新闻。

为了找出相似的文章,需要用到"余弦相似性"(cosine similiarity)。下面,我举一个例子来说明,什么是"余弦相似性"。

为了简单起见,我们先从句子着手。

句子A:我喜欢看电视,不喜欢看电影。

句子B:我不喜欢看电视,也不喜欢看电影。

请问怎样才能计算上面两句话的相似程度?

基本思路是:如果这两句话的用词越相似,它们的内容就应该越相似。因此,可以从词频入手,计算它们的相似程度。

第一步,分词。

句子A:我/喜欢/看/电视,不/喜欢/看/电影。

句子B:我/不/喜欢/看/电视,也/不/喜欢/看/电影。

第二步,列出所有的词。

我,喜欢,看,电视,电影,不,也。

第三步,计算词频。

句子A:我 1,喜欢 2,看 2,电视 1,电影 1,不 1,也 0。

句子B:我 1,喜欢 2,看 2,电视 1,电影 1,不 2,也 1。

第四步,写出词频向量。

句子A:[1, 2, 2, 1, 1, 1, 0]

句子B:[1, 2, 2, 1, 1, 2, 1]

到这里,问题就变成了如何计算这两个向量的相似程度。

我们可以把它们想象成空间中的两条线段,都是从原点([0, 0, ...])出发,指向不同的方向。两条线段之间形成一个夹角,如果夹角为 0 度,意味着方向相同、线段重合;如果夹角为 90 度,意味着形成直角,方向完全不相似;如果夹角为 180 度,意味着方向正好相反。因此,我们可以通过夹角的大小,来判断向量的相似程度。夹角越小,就代表越相似。

TF-IDF与余弦相似性的应用(二) 找出相似文章

以二维空间为例,上图的a和b是两个向量,我们要计算它们的夹角θ。余弦定理告诉我们,可以用下面的公式求得:

TF-IDF与余弦相似性的应用(二) 找出相似文章

TF-IDF与余弦相似性的应用(二) 找出相似文章

假定a向量是[x1, y1],b向量是[x2, y2],那么可以将余弦定理改写成下面的形式:

TF-IDF与余弦相似性的应用(二) 找出相似文章

TF-IDF与余弦相似性的应用(二) 找出相似文章

数学家已经证明,余弦的这种计算方法对n维向量也成立。假定A和B是两个n维向量,A是 [A1, A2, ..., An] ,B是 [B1, B2, ..., Bn] ,则A与B的夹角θ的余弦等于:

TF-IDF与余弦相似性的应用(二) 找出相似文章

使用这个公式,我们就可以得到,句子A与句子B的夹角的余弦。

TF-IDF与余弦相似性的应用(二) 找出相似文章

余弦值越接近1,就表明夹角越接近 0 度,也就是两个向量越相似,这就叫”余弦相似性”。所以,上面的句子A和句子B是很相似的,事实上它们的夹角大约为 20.3 度。

由此,我们就得到了”找出相似文章”的一种算法:

(1)使用 TF-IDF 算法,找出两篇文章的关键词;

(2)每篇文章各取出若干个关键词(比如 20 个),合并成一个集合,计算每篇文章对于这个集合中的词的词频(为了避免文章长度的差异,可以使用相对词频);

(3)生成两篇文章各自的词频向量;

(4)计算两个向量的余弦相似度,值越大就表示越相似。

“余弦相似度”是一种非常有用的算法,只要是计算两个向量的相似程度,都可以采用它。

下一次,我想谈谈如何在词频统计的基础上,自动生成一篇文章的摘要。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python三级目录展示的实现方法
Sep 28 Python
python用reduce和map把字符串转为数字的方法
Dec 19 Python
python使用pycharm环境调用opencv库
Feb 11 Python
python实现百度语音识别api
Apr 10 Python
详解TensorFlow查看ckpt中变量的几种方法
Jun 19 Python
Python实现计算字符串中出现次数最多的字符示例
Jan 21 Python
python爬取cnvd漏洞库信息的实例
Feb 14 Python
使用python从三个角度解决josephus问题的方法
Mar 27 Python
Python实现打包成库供别的模块调用
Jul 13 Python
python实现简单的tcp 文件下载
Sep 16 Python
python代数式括号有效性检验示例代码
Oct 04 Python
python爬虫beautifulsoup库使用操作教程全解(python爬虫基础入门)
Feb 19 Python
TF-IDF与余弦相似性的应用(一) 自动提取关键词
Dec 21 #Python
基于Python的文件类型和字符串详解
Dec 21 #Python
Python绘制七段数码管实例代码
Dec 20 #Python
python代码实现ID3决策树算法
Dec 20 #Python
python决策树之CART分类回归树详解
Dec 20 #Python
python中文乱码不着急,先看懂字节和字符
Dec 20 #Python
python决策树之C4.5算法详解
Dec 20 #Python
You might like
PHP中上传大体积文件时需要的设置
2006/10/09 PHP
介绍一些PHP判断变量的函数
2012/04/24 PHP
解决php的“It is not safe to rely on the system’s timezone settings”问题
2015/10/08 PHP
PHP二维数组排序简单实现方法
2016/02/14 PHP
yii插入数据库防并发的简单代码
2017/05/27 PHP
Laravel框架实现的使用smtp发送邮件功能示例
2019/03/12 PHP
jQuery中document与window以及load与ready 区别详解
2014/12/29 Javascript
详解JavaScript数组的操作大全
2015/10/19 Javascript
JS中对象与字符串的互相转换详解
2016/05/20 Javascript
JS获取鼠标位置距浏览器窗口距离的方法示例
2017/04/11 Javascript
深入解析js轮播插件核心代码的实现过程
2017/04/14 Javascript
微信小程序 检查接口状态实例详解
2017/06/23 Javascript
微信小程序页面滑动屏幕加载数据效果
2020/11/16 Javascript
使用Angular CLI进行Build(构建)和Serve详解
2018/03/24 Javascript
VUE Error: getaddrinfo ENOTFOUND localhost
2018/05/03 Javascript
vue.js添加一些触摸事件以及安装fastclick的实例
2018/08/28 Javascript
基于VUE实现的九宫格抽奖功能
2018/09/30 Javascript
小程序中this.setData的使用和注意事项
2019/08/28 Javascript
微信小程序如何播放腾讯视频的实现
2019/09/20 Javascript
Vue 通过公共字段,拼接两个对象数组的实例
2019/11/07 Javascript
Python 可爱的大小写
2008/09/06 Python
Python中函数的参数传递与可变长参数介绍
2015/06/30 Python
Python中six模块基础用法
2019/12/08 Python
python中的垃圾回收(GC)机制
2020/09/21 Python
python实现图片素描效果
2020/09/26 Python
Django配置跨域并开发测试接口
2020/11/04 Python
全面总结使用CSS实现水平垂直居中效果的方法
2016/03/10 HTML / CSS
利用HTML5 Canvas制作键盘及鼠标动画的实例分享
2016/03/15 HTML / CSS
倩碧英国官网:Clinique英国
2018/08/10 全球购物
期末自我鉴定
2014/01/23 职场文书
学生党支部先进事迹
2014/02/04 职场文书
自荐信的格式
2014/03/10 职场文书
本科毕业生应聘求职信
2014/07/06 职场文书
副总经理岗位职责范本
2014/09/30 职场文书
2014年残联工作总结
2014/11/21 职场文书
使用CSS实现音波加载效果
2023/05/07 HTML / CSS