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使用urllib2提交http post请求的方法
May 26 Python
Python中的with语句与上下文管理器学习总结
Jun 28 Python
深入浅出学习python装饰器
Sep 29 Python
python matplotlib 在指定的两个点之间连线方法
May 25 Python
Django教程笔记之中间件middleware详解
Aug 01 Python
python实现换位加密算法的示例
Oct 14 Python
python获取中文字符串长度的方法
Nov 14 Python
python 获取图片分辨率的方法
Jan 08 Python
Python爬虫抓取指定网页图片代码实例
Jul 24 Python
python实现马丁策略回测3000只股票的实例代码
Jan 22 Python
python基础学习之递归函数知识总结
May 26 Python
Django实现聊天机器人
May 31 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分页代码学习示例分享
2014/02/20 PHP
微信公众平台DEMO(PHP)
2016/05/04 PHP
PHP基于DOM创建xml文档的方法示例
2017/02/08 PHP
JS在IE和FireFox之间常用函数的区别小结
2010/03/12 Javascript
Javascript new关键字的玄机 以及其它
2010/08/25 Javascript
自己动手制作jquery插件之自动添加删除行的实现
2011/10/13 Javascript
自己动手制作jquery插件之自动添加删除行功能介绍
2011/10/14 Javascript
40个有创意的jQuery图片和内容滑动及弹出插件收藏集之三
2012/01/03 Javascript
jquery获取当前点击对象的value方法
2014/02/28 Javascript
JS实现回到页面顶部动画效果的简单实例
2016/05/24 Javascript
JS仿百度自动下拉框模糊匹配提示
2016/07/25 Javascript
详解Javascript ES6中的箭头函数(Arrow Functions)
2016/08/24 Javascript
vue实现app页面切换动画效果实例
2017/05/23 Javascript
Bootstrap Multiselect 常用组件实现代码
2017/07/09 Javascript
浅谈Angular4中常用管道
2017/09/27 Javascript
JS抛物线动画实例制作
2018/02/24 Javascript
了解JavaScript中let语句
2019/05/30 Javascript
深度了解vue.js中hooks的相关知识
2019/06/14 Javascript
小程序如何写动态标签的实现方法
2020/02/05 Javascript
JavaScript创建表格的方法
2020/04/13 Javascript
[09:23]国际邀请赛采访专栏:iG战队VK,Tongfu战队Cu
2013/08/05 DOTA
python django集成cas验证系统
2014/07/14 Python
Python中.join()和os.path.join()两个函数的用法详解
2018/06/11 Python
Python基于matplotlib画箱体图检验异常值操作示例【附xls数据文件下载】
2019/01/07 Python
Django中的用户身份验证示例详解
2019/08/07 Python
Python GUI自动化实现绕过验证码登录
2020/01/10 Python
Pycharm和Idea支持的vim插件的方法
2020/02/21 Python
Django Admin后台模型列表页面如何添加自定义操作按钮
2020/11/11 Python
python基于pygame实现飞机大作战小游戏
2020/11/19 Python
社区十八大感言
2014/01/19 职场文书
光信息科学与技术专业职业生涯规划
2014/03/13 职场文书
人力资源职位说明书
2014/07/29 职场文书
告诉你创业计划书的8个实用技巧
2019/07/12 职场文书
nginx简单配置多个server的方法
2021/03/31 Servers
关于python中readlines函数的参数hint的相关知识总结
2021/06/24 Python
使用 Apache Dubbo 实现远程通信(微服务架构)
2022/02/12 Servers