既然是二，就是順著上一篇文章《TF-IDF：傳統(tǒng)IR的相關排序技術》寫下來的。所以，有興趣的同學請先看完第一篇文章再來繼續(xù)。
好，我們繼續(xù)開始二。
關于詞頻，只要你的分詞工具夠牛逼，就很好理解和實現(xiàn)。關于反文檔頻率，各位親們，看到時會不會初時感覺很牛叉，然后細想會很有疑惑?
逆文檔頻率(idf)=log(文檔總數(shù)/包含關鍵詞的文檔數(shù)量)
對，疑惑就在怎么獲得“文檔總數(shù)”與“包含關鍵詞的文檔數(shù)量”上。
在搜索引擎上，可以有一個不錯的替代方式，下面聽我細細道來。
每篇文章每個網(wǎng)頁幾乎都含有“的”這個字，嗯，你想到了吧。在搜索引擎中搜這個字，出來的結果數(shù)量可以理解為所有的文檔數(shù)量，然后再搜你的目標詞即為包含這個詞的文檔數(shù)量，這一數(shù)據(jù)也就得到了解決，下面是我弄的一個例子：
好了，有了這些數(shù)據(jù)，我們接下來看看能夠做些什么出來。
將網(wǎng)站中每個網(wǎng)頁進行分詞，去掉語氣助詞停頓詞之后按照tf-idf值從大到小進行排序。
網(wǎng)頁A={a1，b1，c1，d1，e1……z1}
網(wǎng)頁B={a1，b2，c1，d5，e2……z6}
網(wǎng)頁C={a2，b1，c2，d1，e2……z2}
……
顯然從{a1，b1，c1，d1，e1……z1}中就可以了解到網(wǎng)頁A所表達的意思，B、C亦然。
如果通過一個方法將A、B、C中的詞進行比對，那豈不是就可以算出來……，你想對了，頁面之間的相似程度。
這個方法，就是余弦值。具體操作，如下：
我們首先從A、B、C中選出前N個可以表達頁面主題的詞，組成一個集合。
{a1，c1，d1，e1，b2，d5，e2，a2，b1，c2}
然后計算A、B、C頁面針對這個集合中每個詞的詞頻(如有必要，請使用相對詞頻)，組成對應的向量。
A=[2,1,3,5,0,0,0,0,1,0]
B=[……]
C=[……]
請記住這個高中時就學到的公式。
OK，經(jīng)過此公式的計算，不但是頁面之間的相似度，同樣一個頁面最相關的推薦文章也即可由此產(chǎn)生。
有興趣的同學們，請試驗一下吧。
轉(zhuǎn)載請注明鏈接地址。
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
