我一直觉得,在数据分析领域,只有文本分析是最“接地气儿”的,“接地气儿”不是指最简单,而是我们普通大众的使用它最多。
我们每天使用互联网,但不一定每个人都炒股,不一定都做行业研究,也不一定都搞科研,因此那些高大上的模型对大部分人来说都是飘忽在天上的,只有文本分析,他的产出结果是直接惠及到几乎全部人。
比如,你总得打字,会使用到输入法的模糊匹配;你总得网购,刷新页面的时候就会看到某宝给你推荐的产品;你总得看新闻,APP会根据你以往的输入给你推荐文章......
文本分析最基本的可以看正则表达式,我曾经写过SAS和Python的相关文章:
这个小系列,介绍的是计算文本之间的相似度。
1. 计算文本相似度有什么用?
“诚聘淘宝兼职”、“诚聘打字员”...这样的小广告满天飞,作为网站或者APP的运营者,不可能手动将所有的广告文本放入屏蔽名单里,挑几个典型广告文本,与它满足一定相似度就进行屏蔽。
在微博和各大BBS上,每一篇文章/帖子的下面都有一个推荐阅读,那就是根据一定算法计算出来的相似文章。
我们每天接触过量的信息,信息之间存在大量的重复,相似度可以帮我们删除这些重复内容,比如,大量相似新闻的过滤筛选。
这里有一个在线计算程序,你们可以感受一下
忘了说了,复制下面地址到浏览器:http://51tools.info/textsimilarity.aspx
2. 余弦相似度的思想
余弦相似度,就是用空间中两个向量的夹角,来判断这两个向量的相似程度:
借鉴这一思想,我们可以计算出两个文本的相似程度。但,我们真的要用夹角的大小去衡量吗?
文本1与文本2之间的夹角估计有37°; 文本A与文本C之间的夹角大概72.8°
相似度,个么侬就好好弄一个相似程度好伐?比如99%相似、10%相似,更关键的是,夹角这个东西——
我不会算!
谁来跟我说说两个空间向量的角度怎么计算?哪本书有?
一个更好的方法是计算夹角的余弦,对,就是那个初二学的——cos(θ)!这个不仅有公式可以算,而且结果也很有意义,是一个0-1的取值。
所以,用余弦夹角来计算两个文本的距离的步骤就是:
结束。