Python实现余弦相似度算法，轻松对比文本相似性

余弦相似度是一种常用于文本挖掘和信息检索领域的算法，它通过测量两个非零向量之间的夹角的余弦值来确定它们之间的相似程度。当两个向量的方向越接近时，余弦相似度的值越接近于1，表示它们越相似；当夹角为90度时，余弦值为0，表示它们无关；当夹角大于90度时，余弦值为负数，表示它们相异。在文本相似度计算中，可以将文本转化为词频向量（即词袋模型），然后使用余弦相似度算法进行计算。 首先，我们需要进行文本预处理，包括分词、去除停用词、进行词干提取或词形还原等。接下来，将文本转化为向量形式，常用的方法有词袋模型（Bag of Words, BoW）和TF-IDF（Term Frequency-Inverse Document Frequency）模型。在词袋模型中，文本被转化为一个向量，向量的每个维度代表一个单词，其对应的值表示该单词在文本中出现的频率。在TF-IDF模型中，除了考虑单词出现的频率外，还考虑了单词在文档集中的重要性。 一旦文本被转换为向量形式，计算两个向量的余弦相似度就变得相对简单。余弦相似度的计算公式是两个向量的点积除以它们模长的乘积。具体来说，对于两个文本向量A和B，它们的余弦相似度可以通过下面的公式计算得出： cos(A, B) = Σ(Ai * Bi) / (√Σ(Ai^2) * √Σ(Bi^2)) 其中，Ai和Bi分别是向量A和B在维度i上的值，Σ表示求和符号。 在Python中，我们可以使用numpy库中的点积（dot）函数和求模（norm）函数来方便地计算余弦相似度。以下是一个简单的Python代码示例，展示了如何实现这一过程： import numpy as np def cosine_similarity(vec1, vec2): # 使用numpy计算两个向量的点积 dot_product = np.dot(vec1, vec2) # 使用numpy计算两个向量的模长 norm_vec1 = np.linalg.norm(vec1) norm_vec2 = np.linalg.norm(vec2) # 防止除以0的情况 if norm_vec1 == 0 or norm_vec2 == 0: return 0 # 计算余弦相似度 similarity = dot_product / (norm_vec1 * norm_vec2) return similarity # 示例向量 vector_a = np.array([1, 2, 3]) vector_b = np.array([4, 5, 6]) # 计算并打印余弦相似度 print(cosine_similarity(vector_a, vector_b)) 在实际应用中，我们可能需要对文本进行分词处理，并且创建一个向量化处理函数，将文本转换为适合计算的向量形式。然后可以利用上述函数计算两个文本的余弦相似度。 余弦相似度算法简单易懂，且在处理大规模文本数据时效率较高，因此它被广泛应用于内容推荐系统、搜索引擎、文档分类等场景。但需要注意的是，余弦相似度仅能衡量文本的方向相似性，无法反映文本的语义差异和文本中词序的重要性。因此，有时需要与其他算法如Word2Vec、BERT等进行结合使用，以便更准确地衡量文本之间的相似度。" 以上是对给定文件信息的详细知识点解析，如果需要更深入的理解和应用，可以参考相关的文本挖掘和自然语言处理的教材和资源。