文本相似度余弦相似度算法原理

余弦相似度基本思路是：如果这两句话的用词越相似，它们的内容就应该越相似。因此，可以从词频入手，计算它们的相似程度。 第一步，预处理主要是进行中文分词和去停用词，分词。 第二步，列出所有的词。 第三步，计算词频。 第四步，写出词频向量。   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"。 余弦相似度缺陷 这类算法没有很好地解决文本数据中存在的自然语言问题，即同义词

>>阅读原文<<