自然语言处理之特征提取和嵌入

在经过了文本处理步骤（可参考自然语言处理之文本处理步骤）后有下列几种方法可以进行特征提取。

Bag of word

将这些词变成一个索引放入一个表格中，然后每个文档作为一行，统计文档中的词出现的次数。

如何计算两个文档之间的相似度呢？

一种方法是计算两个文章的点积，但是点积有个缺陷，只能捕捉重叠部分的，它不受其他不同值的影响，因此差别很大的两行，这两行比较长，和差别很小的两行，这两行比较短，他们的重叠的长度可能是一样的，这样的话他们的点积就是一样的。

一个更好的计算方法是计算余弦相似度。 余弦相似度表示的是两行之间向量的余弦值，如果方向完全相同（此时等于1），则说明词意相同，方向完全相反（此时等于-1）,则说明词义完全相反。