既然是二，就是顺着上一篇文章《TF-IDF：传统IR的相关排序技术》写下来的。所以，有兴趣的同学请先看完第一篇文章再来继续。

　　好，我们继续开始二。

　　关于词频，只要你的分词工具够牛逼，就很好理解和实现。关于反文档频率，各位亲们，看到时会不会初时感觉很牛叉，然后细想会很有疑惑?

　　逆文档频率(idf)=log(文档总数/包含关键词的文档数量)

　　对，疑惑就在怎么获得“文档总数”与“包含关键词的文档数量”上。

　　在搜索引擎上，可以有一个不错的替代方式，下面听我细细道来。

　　每篇文章每个网页几乎都含有“的”这个字，嗯，你想到了吧。在搜索引擎中搜这个字，出来的结果数量可以理解为所有的文档数量，然后再搜你的目标词即为包含这个词的文档数量，这一数据也就得到了解决，下面是我弄的一个例子：

　　好了，有了这些数据，我们接下来看看能够做些什么出来。

　　将网站中每个网页进行分词，去掉语气助词停顿词之后按照tf-idf值从大到小进行排序。

　　网页A={a1，b1，c1，d1，e1……z1}

　　网页B={a1，b2，c1，d5，e2……z6}

　　网页C={a2，b1，c2，d1，e2……z2}

　　……

　　显然从{a1，b1，c1，d1，e1……z1}中就可以了解到网页A所表达的意思，B、C亦然。

　　如果通过一个方法将A、B、C中的词进行比对，那岂不是就可以算出来……，你想对了，页面之间的相似程度。

　　这个方法，就是余弦值。具体操作，如下：

　　我们首先从A、B、C中选出前N个可以表达页面主题的词，组成一个集合。

　　{a1，c1，d1，e1，b2，d5，e2，a2，b1，c2}

　　然后计算A、B、C页面针对这个集合中每个词的词频(如有必要，请使用相对词频)，组成对应的向量。

　　A=[2,1,3,5,0,0,0,0,1,0]

　　B=[……]

　　C=[……]

　　请记住这个高中时就学到的公式。

　　OK，经过此公式的计算，不但是页面之间的相似度，同样一个页面最相关的推荐文章也即可由此产生。

　　有兴趣的同学们，请试验一下吧。

　　转载请注明链接地址。