- 前言
在生活中,信息检索、文档复制检测等领域都应用到“文本相似度”。可能有人觉得文本是文字,其实不尽然,文本相似度的应用更广,除了文字的匹配,还可以是图片,音频等,因为他们的实质都是在计算机中都是以二进制的方式存在的。
相似度,实质就是计算个体间相程度。什么是个体?对于语句,个体就是语句,对于图片,个体就是图片。
- 实现原理:
基于词频:统计词频,构建词频特征向量,利用特征向量余弦夹角来表示余弦相似度。
-
基于词频的文本相似度
-
文本分词
-
去停用词
-
统计词频
-
构建词频向量
-
根据词频向量计算相似度
中文分词:
- 词是最小的能够独立活动的有意义的语言成分,英文单词之间以空格作为自然分界符的,而汉语是以字为基本的书写单位,词语之间没有明显的区分标记,因此中文一定要分词的。
这里有一篇对中文分词原理解析的文章,我认为写的很好,给大家分享一下:https://www.cnblogs.com/BaiYiShaoNian/p/5071802.html
举个例子:
在英文中只要一个单词student,我们就知道是学生的意思,而中文中要用学生二字来表达。
停用词
停用词包括数字、标点符号和使用频率特别高的词,如代词、语气助词、副词、介词、连接词等。像我、我们、你、你们、总之之类的。
停用词不代表实际意义,所以不需要构建词频向量。