使用余弦定理计算文本相似度

原文链接：https://www.biaodianfu.com/cosine_similarity.html

什么是余弦定理

学过向量代数的人都知道，向量实际上是多维空间中有方向的线段。如果两个向量的方向一致，即夹角接近零，那么这两个向量就相近。而要确定两个向量方向是否一致，这就要用到余弦定理计算向量的夹角了。

余弦定理对我们每个人都不陌生，它描述了三角形中任何一个夹角和三个边的关系，换句话说，给定三角形的三条边，我们可以用余弦定理求出三角形各个角的角度。假定三角形的三条边为 a, b 和 c，对应的三个角为 A, B 和 C，那么角 A 的余弦：

如果我们将三角形的两边 b 和 c 看成是两个向量，那么上述公式等价于：

其中分母表示两个向量 b 和 c 的长度，分子表示两个向量的内积。举一个具体的例子，假如文本X 和文本 Y 对应向量分别是

• x1,x2,…,x64000
• y1,y2,…,y64000

那么它们夹角的余弦等于：

当两个文本向量夹角的余弦等于1时，这两个文本完全重复；当夹角的余弦接近于一时，两条新闻相似；夹角的余弦越小，两条文本越不相关。

计算文本相似度的大致流程

假设有下面两个句子：

• A：我喜欢看电视，不喜欢看电影。
• B：我不喜欢看电视，也不喜欢看电影。

第一步：分词

• A：我/喜欢/看/电视，不/喜欢/看/电影。
• B：我/不/喜欢/看/电视，也/不/喜欢/看/电影。

第二步：列出所有的词、字

我，喜欢，看，电视，电影，不，也

第三步：计算词频

• A：我 1，喜欢 2，看 2，电视 1，电影 1，不 1，也 0。
• B：我 1，喜欢 2，看 2，电视 1，电影 1，不 2，也 1。

第四步：描述词频向量

• A：[1, 2, 2, 1, 1, 1, 0]
• B：[1, 2, 2, 1, 1, 2, 1]

第五步：计算夹角余弦

使用这个公式，我们就可以得到，句子A与句子B的夹角的余弦。

余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，这就叫”余弦相似性”。所以，上面的句子A和句子B是很相似。

实际使用过程需要注意的事项

• 实际使用中文本长度可能过长，如果采用分词，复杂度较高，可以采用TF-IDF的方式找出文章若干个关键词（比如20个），再进行比较。
• 文章的长度可能不一致，所以关键词词频率可以使用相对词频率。
• 由于计算中打乱了关键词出现的顺序，所以即使夹角余弦的值为1，也有可能文本并不重复。比如：
  • A：我喜欢看电视，不喜欢看电影。
  • B：我不喜欢看电视，喜欢看电影。

使用Python进行文本相似度计算

#!/usr/bin/env python
# -*- coding: utf-8 -*-
from __future__ import division
import jieba.analyse
from math import sqrt
class Similarity():
    def __init__(self, target1, target2, topK=10):
        self.target1 = target1
        self.target2 = target2
        self.topK = topK
    def vector(self):
        self.vdict1 = {}
        self.vdict2 = {}
        top_keywords1 = jieba.analyse.extract_tags(self.target1, topK=self.topK, withWeight=True)
        top_keywords2 = jieba.analyse.extract_tags(self.target2, topK=self.topK, withWeight=True)
        for k, v in top_keywords1:
            self.vdict1[k] = v
        for k, v in top_keywords2:
            self.vdict2[k] = v
    def mix(self):
        for key in self.vdict1:
            self.vdict2[key] = self.vdict2.get(key, 0)
        for key in self.vdict2:
            self.vdict1[key] = self.vdict1.get(key, 0)
        def mapminmax(vdict):
            """计算相对词频"""
            _min = min(vdict.values())
            _max = max(vdict.values())
            _mid = _max - _min
            #print _min, _max, _mid
            for key in vdict:
                vdict[key] = (vdict[key] - _min)/_mid
            return vdict
        self.vdict1 = mapminmax(self.vdict1)
        self.vdict2 = mapminmax(self.vdict2)
    def similar(self):
        self.vector()
        self.mix()
        sum = 0
        for key in self.vdict1:
            sum += self.vdict1[key] * self.vdict2[key]
        A = sqrt(reduce(lambda x,y: x+y, map(lambda x: x*x, self.vdict1.values())))
        B = sqrt(reduce(lambda x,y: x+y, map(lambda x: x*x, self.vdict2.values())))
        return sum/(A*B)
if __name__ == '__main__':
    t1 = '''余弦定理和新闻的分类似乎是两件八杆子打不着的事，但是它们确有紧密的联系。具体说，新闻的分类很大程度上依靠余弦定理。Google 的新闻是自动分类和整理的。所谓新闻的分类无非是要把相似的新闻放到一类中。计算机其实读不懂新闻，它只能快速计算。这就要求我们设计一个算法来算出任意两篇新闻的相似性。为了做到这一点，我们需要想办法用一组数字来描述一篇新闻。我们来看看怎样找一组数字，或者说一个向量来描述一篇新闻。回忆一下我们在“如何度量网页相关性”一文中介绍的TF/IDF 的概念。对于一篇新闻中的所有实词，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'''
    t2 = '''新闻分类——“计算机的本质上只能做快速运算，为了让计算机能够“算”新闻”(而不是读新闻)，就要求我们先把文字的新闻变成一组可计算的数字，然后再设计一个算法来算出任何两篇新闻的相似性。“——具体做法就是算出新闻中每个词的TF-IDF值，然后按照词汇表排成一个向量，我们就可以对这个向量进行运算了，那么如何度量两个向量？——向量的夹角越小，那么我们就认为它们更相似，而长度因为字数的不同并没有太大的意义。——如何计算夹角，那就用到了余弦定理（公式略）。——如何建立新闻类别的特征向量，有两种方法，手工和自动生成。至于自动分类的方法，书本上有介绍，我这里就略过了。很巧妙，但是我的篇幅肯定是放不下的。除余弦定理之外，还可以用矩阵的方法对文本进行分类，但这种方法需要迭代很多次，对每个新闻都要两两计算，但是在数学上有一个十分巧妙的方法——奇异值分解(SVD)。奇异值分解，就是把上面这样的大矩阵，分解为三个小矩阵的相乘。这三个小矩阵都有其物理含义。这种方法能够快速处理超大规模的文本分类，但是结果略显粗陋，如果两种方法一前一后结合使用，既能节省时间，又提高了精确性。'''
    topK = 10
    s = Similarity(t1, t2, topK)
print s.similar()

参考文章：

• http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html
• http://blog.csdn.net/eastmount/article/details/49898133
• https://github.com/lcygithub/CosineSimilar
• https://flystarhe.github.io/2016/08/30/document-similarity/