归一化基于tf-idf计算的余弦相似度值

时间:2016-06-14 10:15:21

标签: python normalization tf-idf cosine-similarity

我基于tf-idf矩阵计算余弦相似度:

tfidf_vectorizer_desc = TfidfVectorizer(min_df=5, max_df=0.8, use_idf=True, smooth_idf=True, sublinear_tf=False, tokenizer=tokenize_and_stem)
%time tfidf_matrix_desc = tfidf_vectorizer_desc.fit_transform(descriptions) #fit the vectorizer to text
sim_desc = cosine_similarity(tfidf_matrix_desc)

但是,sim_desc包含的相似度超过1.0(见下文)。据我所知,cosine_similarity返回0到1比例之间的值。在这种情况下,我是否需要标准化余弦相似度得分?

sim_desc = cosine_similarity(tfidf_matrix_desc)
print(np.where(sim_desc < 0 ))
print(np.where(sim_desc > 1))
print(format(np.amax(sim_desc), '.20g'),format(np.amin(sim_desc), '.20g'))

(array([], dtype=int64), array([], dtype=int64))
(array([   0,    0,    0, ..., 1496, 1496, 1497]), array([   0,    1,  735, ..., 1495, 1496, 1497]))
1.0000000000000006661 0

1 个答案:

答案 0 :(得分:0)

您还没有指定正在使用的库,因此如果您需要对余弦相似度得分进行标准化,我无法回答。

然而,事实如下:

余弦相似度实际上返回-1到+1之间的值。如果两个向量完全相反180度,则余弦相似度为-1。

参考: http://blog.christianperone.com/2013/09/machine-learning-cosine-similarity-for-vector-space-models-part-iii/