gensim工具包

gensim是一个python的主题模型工具包，可以用来计算文本相似度。

原理

    1、文本相似度计算的需求始于搜索引擎。

    搜索引擎需要计算“用户查询”和爬下来的众多”网页“之间的相似度，从而把最相似的排在最前返回给用户。

    2、主要使用的算法是tf-idf

    tf：term frequency词频

    idf：inverse document frequency倒文档频率

    主要思想是：如果某个词或短语在一篇文章中出现的频率高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。

    第一步：把每个网页文本分词，成为词包（bag of words）。

    第三步：统计网页（文档）总数M。

    第三步：统计第一个网页词数N，计算第一个网页第一个词在该网页中出现的次数n，再找出该词在所有文档中出现的次数m。则该词的tf-idf 为：n/N * 1/(m/M) （还有其它的归一化公式，这里是最基本最直观的公式）

    第四步：重复第三步，计算出一个网页所有词的tf-idf 值。

    第五步：重复第四步，计算出所有网页每个词的tf-idf 值。

    3、处理用户查询

    第一步：对用户查询进行分词。

    第二步：根据网页库（文档）的数据，计算用户查询中每个词的tf-idf 值。

    4、相似度的计算

    使用余弦相似度来计算用户查询和每个网页之间的夹角。夹角越小，越相似。

   

    官方主页：http://radimrehurek.com/gensim/index.html

    github代码页：https://github.com/piskvorky/gensim