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。