Question

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？

Answer 1

            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。

Answer 2

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);
    }

Answer 3

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)

4）您可能对truncated Singular Value Decomposition (SVD)

感兴趣

余弦相似度

3 个答案: