我计算了两个文件的tf / idf值。以下是tf / idf值:
1.txt
0.0
0.5
2.txt
0.0
0.5
文件如下:
1.txt = > dog cat
2.txt = > cat elephant
如何使用这些值来计算余弦相似度?
我知道我应该计算点积,然后通过它找到距离并除以点积。如何使用我的值来计算?
还有一个问题:这两个文件的词数是否相同很重要?
答案 0 :(得分:15)
a * b
sim(a,b) =--------
|a|*|b|
a * b是点积
一些细节:
def dot(a,b):
n = length(a)
sum = 0
for i in xrange(n):
sum += a[i] * b[i];
return sum
def norm(a):
n = length(a)
for i in xrange(n):
sum += a[i] * a[i]
return math.sqrt(sum)
def cossim(a,b):
return dot(a,b) / (norm(a) * norm(b))
是肯定的。在某种程度上,a和b必须具有相同的长度。但是a和b通常都有稀疏表示,你只需要存储非零项,你就可以更快地计算norm和dot。
答案 1 :(得分:8)
简单的java代码实现:
static double cosine_similarity(Map<String, Double> v1, Map<String, Double> v2) {
Set<String> both = Sets.newHashSet(v1.keySet());
both.retainAll(v2.keySet());
double sclar = 0, norm1 = 0, norm2 = 0;
for (String k : both) sclar += v1.get(k) * v2.get(k);
for (String k : v1.keySet()) norm1 += v1.get(k) * v1.get(k);
for (String k : v2.keySet()) norm2 += v2.get(k) * v2.get(k);
return sclar / Math.sqrt(norm1 * norm2);
}
答案 2 :(得分:1)
1)计算tf-idf(通常优于t-f,但完全取决于您的数据集和要求)
来自wiki(关于idf)
结合了逆文档频率因子,其减少 文档集中经常出现的术语的权重 增加了很少出现的术语的权重。
2)不,两个文件的词数相同并不重要。
3)通过调用某些机器学习库函数,您现在可以在任何语言中找到tf-idf
或cosine-similarity
。我更喜欢python
用于计算tf-idf和cosine-similarity的Python代码(使用scikit-learn 0.18.2)
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
# example dataset
from sklearn.datasets import fetch_20newsgroups
# replace with your method to get data
example_data = fetch_20newsgroups(subset='all').data
max_features_for_tfidf = 10000
is_idf = True
vectorizer = TfidfVectorizer(max_df=0.5, max_features=max_features_for_tf_idf,
min_df=2, stop_words='english',
use_idf=is_idf)
X_Mat = vectorizer.fit_transform(example_data)
# calculate cosine similarity between samples in X with samples in Y
cosine_sim = cosine_similarity(X=X_Mat, Y=X_Mat)
感兴趣