TF-IDF与余弦相似性

TF-IDF算法

将"词频"（TF）和"逆文档频率"（IDF）这两个值相乘，就得到了一个词的TF-IDF值。某个词对文章的重要性越高，它的TF-IDF值就越大。所以，排在最前面的几个词，就是这篇文章的关键词。

TF-IDF?=?TF?*?IDF

可以看到，TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。

余弦相似性

计算两个向量的余弦值，余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，这就叫"余弦相似性"。

假定a向量是[x1,y1]，b向量是[x2,y2]，那么可以将余弦定理改写成下面的形式

余弦的这种计算方法对n维向量也成立。假定A和B是两个n维向量，A是 [A1,A2,...,An] ，B是 [B1,B2,Bn] ，则A与B的夹角θ的余弦等于：

计算两篇文章的相似性：

????（1）使用TF-IDF算法，找出两篇文章的关键词；

????（2）每篇文章各取出若干个关键词（比如20个），合并成一个集合，计算每篇文章对于这个集合中的词的词频（为了避免文章长度的差异，可以使用相对词频）；

????（3）生成两篇文章各自的词频向量；

????（4）计算两个向量的余弦相似度，值越大就表示越相似。

[参考文献]

TF-IDF与余弦相似性的应用（一）：自动提取关键词????http://www.ruanyifeng.com/blog/2013/03/tf-idf.html