比较两篇文章的相似性方法

      对于这个题目，开始毫无头绪，后来经过查阅资料现在讲方法总结如下：

    1、利用余弦定理

      我们知道向量 a,b之间的夹角可用余弦定理求得：

             

    如果夹角的余弦值越小，那么夹角也越大。如果2个向量相等，那么其值为1。利用此我们可以用来比较文章的相似性。

    首先使用一个向量来描述一篇文章，对于一篇文章中的实词，我们可以计算出它们的单文本词汇频率/逆文本频率值（TF/IDF)。不难想象，和新闻主题有关的那些实词频率高，TF/IDF 值很大。我们按照这些实词在词汇表的位置对它们的 TF/IDF 值排序。比如，词汇表有六万四千个词，分别为

    单词编号 汉字词

    ------------------

    1 阿

    2 啊

    3 阿斗

    4 阿姨

    ...

    789 服装

    ....

    64000 做作

在一篇新闻中，这 64,000 个词的 TF/IDF 值分别为

  &nbs