我正在尝试在c中为vsm搜索编写代码。因此，使用一组文档我构建了一个散列表（inverded index），每个插槽都包含一个单词以及它的df和一个指向列表的指针，其中每个插槽都包含一个文档的名称（其中该单词至少出现一次） ）以及tf（在此文件中出现了多少次）。用户将写一个问题（也选择加权qqq.ddd和比较方法，但这对我的问题无关紧要），我必须打印与其相关的文档（从最相关到最不相关）。所以我看到的例子显示了哪些步骤只有一个文档，例如：我们有一个1.000.000文档的集合（N = 1.000.000），我们要比较
1 document: car insurance auto insurance
with the queston: best car insurance
因此在示例中它创建了一个这样的数组：
Term | Query | Document
| tf | tf
auto | 0 | 1
best | 1 | 0
car | 1 | 1
insurance| 1 | 2
该示例还给出了每个术语的df，因此使用这些线索以及加权和比较方法，可以很容易地比较它们，通过找到4个坐标（数组中每个单词1个）将它们转换为矢量。 因此，在此示例中，有1.000.000个文档，并且为了查看文档与查询的相关性，我们在查询和文档中使用的每个单词（4个单词）使用1次。所以我们必须找到4个坐标然后进行比较。 在我想要做的事情中，有8000个文档，每个文档有3到50个单词。那么我想如何比较查询与每个文档的相关程度呢？如果我有
a query: ping pong
document 1: this is ping kong
document 2: i am ping tongue
为了比较查询文档，我将使用单词：这是乒乓乒乓（所以5个坐标）并比较查询文档2我将使用单词：我是ping舌头是kong（6坐标）然后因为我使用相同的比较方法，得分最高的是最相关的？或者我必须使用这两个词：这是ping kong am tongue kong（7坐标）？所以我的问题是，将所有这8000个文件与问题进行比较的正确方法是什么？我希望我成功地使我的问题易于理解。谢谢你的时间！