php 相似文章,PHP TF-IDF与余弦相似性计算文章相似性

首先使用TF-IDF算法提取两篇文章的关键词，并合并成一个集合，

如关键词较多可使用堆取TOPK关键词。

然后计算每篇文章对于这个集合中的词的词频，即单词数/总词数，然后生成各自词频向量。

PHP计算相似度示例代码如下：<?php

function similarity(array $vec1, array $vec2) {

return dotProduct($vec1, $vec2) / (absVector($vec1) * absVector($vec2));

}

function dotProduct(array $vec1, array $vec2) {

$result = 0;

foreach (array_keys($vec1) as $key1) {

foreach (array_keys($vec2) as $key2) {

if ($key1 === $key2) $result += $vec1[$key1] * $vec2[$key2];

}

}

return $result;

}

function absVector(array $vec) {

$result = 0;

foreach (array_values($vec) as $value) {

$result += $value * $value;

}

return sqrt($result);

}

//文章词频向量

$v1 = array('我们' => 5, '设计' => 2, '一个' => 1, '算法' =>0, '任意' => 0, '相似' => 1);

$v2 = array('我们' => 5, '设计' => 0, '一个' => 3, '算法' =>0, '任意' => 0, '相似' => 1);

//计算相似度，值越大相似程度越高

$result1 = similarity($v1,$v2);

var_dump($result1);

标签：none