文本分析 | 词频与余弦相似度

这个系列打算以文本相似度为切入点，逐步介绍一些文本分析的干货，包括分词、词频、词频向量、文本匹配等等。

上一期，我们介绍了文本相似度的概念，通过计算两段文本的相似度，我们可以：

• 对垃圾文本（比如小广告）进行批量屏蔽；
• 对大量重复信息（比如新闻）进行删减；
• 对感兴趣的相似文章进行推荐，等等。

那么如何计算两段文本之间的相似程度？上一篇我们简单介绍了夹角余弦这个算法，其思想是：

• 将两段文本变成两个可爱的小向量；
• 计算这两个向量的夹角余弦cos(θ)：
  • 夹角余弦为1，也即夹角为0°，两个小向量无缝合体，则相似度100%
  • 夹角余弦为0，也即夹角为180°，小向量可怜的两两不相见，则相似度为0%

回顾点击这里：文本分析 | 余弦相似度思想

本文会具体介绍如何计算文本的夹角余弦相似度，包括两部分：

• 向量的夹角余弦如何计算
• 如何构造文本向量：词频与词频向量

1. 向量的夹角余弦如何计算

在扯到文本之前，这个要先介绍一下。

余弦定理告诉我们：

不记得的翻看书本......

然而对于两个向量a、b的夹角余弦呢？

它的公式为：

分子就是2个向量的内积，分母是两个向量的模长乘积。

用两个向量的坐标即可计算出来，简单了解一下这个推导：

这是两个二维向量，如果是两个n维向量的夹角余弦相似度，只要记得，分子依然是向量内积，分母是两个向量模长乘积。

知道了向量的夹角余弦相似度计算方法，现在只要想办法将文本变成向量就可以了。

2. 词频与词频向量

文本是由词组成的，我们一般通过计算词频来构造文本向量——词频向量。

比如有一句话：

我是数说君，我爱你们，你们爱我吗？

这段文本是由几个词组成的：

我/ 是/ 数说君 我/ 爱/ 你们 你们/ 爱/ 我/ 吗

其中“我”出现了3次，“是”出现一次......依次计算，我们就可以构造如下词频向量：

我3, 是1, 数说君1, 爱2, 你们2, 吗1 → (3,1,1,2,2,1)

这就是一个6维向量了。

需要注意的是，如果这时候有另一段文本需要跟它比较，比如就是：

我是数说君，我爱你们，你们爱我吧？

这时候我们应该这样分词：

我3, 是1, 数说君1, 爱2, 你们2, 吗0, 吧1 → (3,1,1,2,2,0,1)

这里“吗”这个维度也需要加上，相应的，别忘了第一句话中也要加上“吧”这个维度：

我3, 是1, 数说君1, 爱2, 你们2, 吗1, 吧0 → (3,1,1,2,2,1,0)

这就是两个7维向量了，现在可以将这两个文本向量进行夹角余弦的相似度比较，带入上面的公式：

两个向量内积=3*3+1+1+2*2+2*2=19

两个向量模长乘积=sqrt(9+1+1+4+4+1)*sqrt(9+1+1+4+4+1)=20

两个向量夹角余弦相似度=19/20=95%

所以这两段文本的相似度为95%。

这里有2个问题值得提一下：

（1）当两个词频向量进行比较的时候，维度会扩大。

比如刚刚例子中，彼此没有出现的“吗”、“吧”两个维度会加进来，保证比较的两段文本维度统一。那么问题来了，如果两段很长的文本进行比较（比如上万字的文章），岂不是维度要扩增很多倍？而且矩阵会非常稀疏，就是很多取值都是0，计算开销大且效率低，怎么办？

因此需要寻求一种有效的特征降维方法，能够在不损伤核心信息的情况下降低向量空间的维数，比如TF-IDF算法。这就是后面会介绍的。

（2）英文文本的比较

与中文不同的是，英文不需要分词，因为英文天然就是由一个一个词组组成的。

I Love Shushuojun → I/ Love/ Shushuojun