余弦相似度的代码（python）实现

余弦相似度是一种常用的衡量两个向量之间相似度的方法，它可以用于文本相似度计算、推荐系统等领域。下面是一个简单的Python代码实现余弦相似度的示例：

import numpy as np

def cosine_similarity(vec1, vec2):
    dot_product = np.dot(vec1, vec2)
    norm1 = np.linalg.norm(vec1)
    norm2 = np.linalg.norm(vec2)
    similarity = dot_product / (norm1 * norm2)
    return similarity

# 示例向量
vector1 = np.array([1, 2, 3])
vector2 = np.array([4, 5, 6])

# 计算余弦相似度
similarity_score = cosine_similarity(vector1, vector2)
print("余弦相似度：", similarity_score)

在这个示例中，我们使用numpy库来进行向量运算。首先，通过`np.dot()`函数计算两个向量的点积，然后使用`np.linalg.norm()`函数计算向量的范数（即向量的模长）。最后，将点积除以两个向量的范数的乘积，得到余弦相似度。

相关问题

余弦相似度算法python

以下是使用Python实现余弦相似度算法的示例代码：

import math

# 定义余弦相似度函数
def cosine_similarity(v1, v2):
    dot_product = 0.0
    norm_v1 = 0.0
    norm_v2 = 0.0
    for i in range(len(v1)):
        dot_product += v1[i] * v2[i]
        norm_v1 += v1[i]**2
        norm_v2 += v2[i]**2
    if norm_v1 == 0.0 or norm_v2 == 0.0:
        return 0
    else:
        return dot_product / ((norm_v1 * norm_v2) ** 0.5)

# 示例使用
v1 = [1, 2, 3, 4, 5]
v2 = [3, 4, 5, 6, 7]
print(cosine_similarity(v1, v2))

在示例中，我们定义了一个 `cosine_similarity` 函数，该函数接受两个向量 `v1` 和 `v2` 作为输入，并返回它们之间的余弦相似度。我们使用 `dot_product` 变量计算两个向量的点积，使用 `norm_v1` 和 `norm_v2` 变量计算两个向量的范数，并将它们用于计算余弦相似度。

在示例中，我们将向量 `v1` 和 `v2` 分别设置为 `[1, 2, 3, 4, 5]` 和 `[3, 4, 5, 6, 7]`，并打印它们之间的余弦相似度。输出结果为 `0.9970544855015815`。

文本余弦相似度 python 代码

文本余弦相似度是一种常用的文本相似度计算方法，常用于比较两个文本之间的相似度。Python提供了一些工具和库来计算文本余弦相似度，其中较为常见的有cosine_similarity方法，学习这些方法可以极大地提高我们的文本相似度计算应用程序。

以下是Python代码实现文本余弦相似度：

1、首先为Python代码导入所需的库，如nltk、sklearn、numpy等库。

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity

2、接下来实现文本余弦相似度计算的函数，其中的参数 a和 b 是两个文本字符串分别为 a 和 b。

def cos_sim(a, b):
vectorizer = CountVectorizer().fit_transform([a, b])
vectors = vectorizer.toarray()
return cosine_similarity(vectors)[0][1]

3、最后我们来测试一下这个函数的运行结果。

print(cos_sim('hello world', 'world hello'))
print(cos_sim('cat', 'dog'))

输出结果为：

1.0
0.0

可以看出，"hello world"和"world hello"这两个字符串的余弦相似度为1，因为它们之间的距离为0。而"cat" 和 "dog"之间的余弦相似度则为0，因为它们之间没有任何共同的单词。