短文本相似度算法

 

目录

一、无监督方法

1、余弦相似度度量

1.1 基于TF-IDF计算词频向量

1.2 基于Word2Vec计算词向量

2、基于simHash计算文本相似度

3、直接度量句子间相似度—WMD

二、有监督方法


 

一、无监督方法

1、余弦相似度度量

基本思想:

  • 获取两个短文本的表示向量
  • 计算两个向量的余弦相似度
  • 值越大,表示越相似

文本表示方法:

  1. 通过 TF-IDF 统计方法获取词频表示/向量
  2. 通过 word2vec 词向量获取句向量

1.1 基于TF-IDF计算词频向量

TF-IDF

     TF-IDF是传统的统计方法,用于评估一个词在一个文档集中对某一个文档的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。

     TF的意思是词频(Term-frequency),IDF的意思是逆向文件频率(Inverse Document Frequency)。

基本步骤:

  • 找出待计算文本的关键词/列出所有的词
  • 将找出的关键词组成一
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值