文本相似度餘弦相似度算法原理

餘弦相似度基本思路是：如果這兩句話的用詞越相似，它們的內容就應該越相似。因此，可以從詞頻入手，計算它們的相似程度。 第一步，預處理主要是進行中文分詞和去停用詞，分詞。 第二步，列出所有的詞。 第三步，計算詞頻。 第四步，寫出詞頻向量。   餘弦值越接近1，就表明夾角越接近0度，也就是兩個向量越相似，這就叫"餘弦相似性"。 餘弦相似度缺陷 這類算法沒有很好地解決文本數據中存在的自然語言問題，即同義詞

>>阅读原文<<