我计算了两个文档的tf/idf值。下面是TF/IDF值:余弦相似度
1.txt
0.0
0.5
2.txt
0.0
0.5
的文件是这样的:
1.txt = > dog cat
2.txt = > cat elephant
如何使用这些值来计算余弦相似?
我知道我应该计算点积,然后找到距离并除以它的点积。我如何使用我的值来计算此值?
还有一个问题:重要的是两个文件应该有相同数量的单词吗?
我计算了两个文档的tf/idf值。下面是TF/IDF值:余弦相似度
1.txt
0.0
0.5
2.txt
0.0
0.5
的文件是这样的:
1.txt = > dog cat
2.txt = > cat elephant
如何使用这些值来计算余弦相似?
我知道我应该计算点积,然后找到距离并除以它的点积。我如何使用我的值来计算此值?
还有一个问题:重要的是两个文件应该有相同数量的单词吗?
a * b
sim(a,b) =--------
|a|*|b|
A * B是积
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))
肯定。在一定程度上,a和b必须具有相同的长度。但a和b通常具有稀疏表示,您只需存储非零条目,并且可以更快计算标准和点。
谢谢,但我还对另外一件事感到困惑。我看到有人在网上讨论这个问题。我无法理解。我应该计算tf/idf值OR的余弦相似度吗?只有idf值或只有tf值????? 我知道PHP,并开始学习Java。但是我很抱歉,我不知道哪个郎。你在这里使用的代码?你能不能让我知道,我会看看那个郎。基本语法。或者,如果你可以使用我的tf/idf值来计算余弦相似度,它会告诉我如何编写一个函数... 再次感谢您的回复! – user238384 2010-01-04 07:00:10
@agazerboy这个示例在python中给出,它应该是非常可读的。 for i in xrange(n)means for(i = 0; i
请在下面阅读我的解释! – user238384 2010-01-04 17:07:18
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);
}
[匿名用户评论](http://stackoverflow.com/suggested-edits/237603),这应该是'both.retainAll()'不' removeAll'来获得交集 – Rup 2012-04-10 12:11:35
1)计算TF-IDF(一般比TF独好,但完全取决于您的数据集和要求)
从wiki(关于IDF)
结合反文档频率因子,可减少文档集中频繁出现的术语的权重和 增加了很少发生的条件的权重。
2)不,这两个文件的单词数量是不重要的。
3)现在您可以通过调用一些机器学习库函数在任何语言中找到tf-idf
或cosine-similarity
。我更喜欢蟒蛇
Python代码来计算tf-idf和cosine-similarity(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)
这是不是更适合http://mathoverflow.net /? – 2010-01-04 06:11:59
它的一个信息检索任务,不是一个纯粹的数学人会关心 – 2010-01-04 06:24:33
请停止推荐mathoverflow.net - 这是严重的数学问题。 – 2010-01-05 15:45:02