如何計算兩個文檔的類似度

1、TF-IDF、餘弦類似度、向量空間模型

（1）使用TF-IDF算法，找出兩篇文章的關鍵詞；

（2）每篇文章各取出若干個關鍵詞（好比20個），合併成一個集合，計算每篇文章對於這個集合中的詞的詞頻（爲了不文章長度的差別，能夠使用相對詞頻）；

（3）生成兩篇文章各自的詞頻向量；

（4）計算兩個向量的餘弦類似度，值越大就表示越類似。

2、SVD和LSI

LSA(潛在語義分析)的基本思路：LSA但願經過下降傳統向量空間的維度來去除空間中的「噪音」，而降維能夠經過SVD實現，所以首先對Term-Document矩陣進行SVD分解，而後降維並構造語義空間。

(奇異值分解詳解：http://blog.csdn.net/wangzhiqing3/article/details/7446444#comments)

3、LDA