PHP实现余弦相似度算法
我们先从句子着手:
句子A:我喜欢看电视,不喜欢看电影。
句子B:我不喜欢看电视,也不喜欢看电影。
怎样才能计算上面两句话的相似程度?
基本思路是:如果这两句话的用词越相似,它们的内容就应该越相似。因此,可以从词频入手,计算它们的相似程度。
第一步,分词。
句子A:我/喜欢/看/电视,不/喜欢/看/电影。
句子B:我/不/喜欢/看/电视,也/不/喜欢/看/电影。
第二步,列出所有的词。
我,喜欢,看,电视,电影,不,也。
第三步,计算词频。
句子A:我 1,喜欢 2,看 2,电视 1,电影 1,不 1,也 0。
句子B:我 1,喜欢 2,看 2,电视 1,电影 1,不 2,也 1。
第四步,写出词频向量。
句子A:[1, 2, 2, 1, 1, 1, 0]
句子B:[1, 2, 2, 1, 1, 2, 1]
到这里,问题就变成了如何计算这两个向量的相似程度。
我们可以把它们想象成空间中的两条线段,都是从原点([0, 0, ...])出发,指向不同的方向。两条线段之间形成一个夹角,如果夹角为0度,意味着方向相同、线段重合;如果夹角为90度,意味着形成直角,方向完全不相似;如果夹角为180度,意味着方向正好相反。 因此,我们可以通过夹角的大小,来判断向量的相似程度。夹角越小,就代表越相似。
以二维空间为例,上图的a和b是两个向量,我们要计算它们的夹角θ。余弦定理告诉我们,可以用下面的公式求得:
假定a向量是[x1, y1],b向量是[x2, y2],那么可以将余弦定理改写成下面的形式:
数学家证明,余弦的这种计算方法对n维向量也成立。假定A和B是两个n维向量,A是 [A1, A2, ..., An] ,B是 [B1, B2, ..., Bn] ,则A与B的夹角θ的余弦等于:
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是很相似的,事实上它们的夹角大约为20.3度。
由此,我们就得到了"找出相似文章"的一种算法:
(1)使用TF-IDF算法,找出两篇文章的关键词;
(2)每篇文章各取出若干个关键词(比如20个),合并成一个集合,计算每篇文章对于这个集合中的词的词频(为了避免文章长度的差异可以使用相对词频);
(3)生成两篇文章各自的词频向量;
(4)计算两个向量的余弦相似度,值越大就表示越相似。
下面是PHP实现余弦相似度计算的算法
<?php
/**
* 数据分析引擎
* 分析向量的元素 必须和基准向量的元素一致,取最大个数,分析向量不足元素以0填补。
* 求出分析向量与基准向量的余弦值
*/
/**
* 获得向量的模
* @param unknown_type $array 传入分析数据的基准点的N维向量。|eg:array(1,1,1,1,1);
*/
function getMarkMod($arrParam){
$strModDouble = 0;
foreach($arrParam as $val){
$strModDouble += $val * $val;
}
$strMod = sqrt($strModDouble);
//是否需要保留小数点后几位
return $strMod;
}
/**
* 获取标杆的元素个数
* @param unknown_type $arrParam
* @return number
*/
function getMarkLenth($arrParam){
$intLenth = count($arrParam);
return $intLenth;
}
/**
* 对传入数组进行索引分配,基准点的索引必须为k,求夹角的向量索引必须为 'j'.
* @param unknown_type $arrParam
* @param unknown_type $index
* @ruturn $arrBack
*/
function handIndex($arrParam, $index = 'k'){
foreach($arrParam as $key => $val){
$in = $index.$key;
$arrBack[$in] = $val;
}
return $arrBack;
}
/**
*
* @param unknown_type $arrMark 标杆向量数组(索引被处理过)|array('k0'=>1,'k1'=>2....)
* @param unknown_type $arrAnaly 分析向量数组(索引被处理过)|array('j0'=>1,'j1'=>2....)
* @param unknown_type $strMarkMod 标杆向量的模
* @param unknown_type $intLenth 向量的长度
*/
function getCosine($arrMark, $arrAnaly, $strMarkMod ,$intLenth){
$strVector = 0;
$strCosine = 0;
for($i = 0; $i < $intLenth; $i++){
$strMarkVal = $arrMark['k'.$i];
$strAnalyVal = $arrAnaly['j'.$i];
$strVector += $strMarkVal * $strAnalyVal;
}
$arrAnalyMod = getMarkMod($arrAnaly); //求分析向量的模
$strFenzi = $strVector;
$strFenMu = $arrAnalyMod * $strMarkMod;
$strCosine = $strFenzi / $strFenMu;
if(0 !== (int)$strFenMu){
$strCosine = $strFenzi / $strFenMu;
}
return $strCosine;
}
//基准点的N维向量
$arrMark = array(1,1,1,1,1);
//分析点的N维向量
$arrAnaly = array(1,2,3,4,5);
//向量的模
$MarkMod = getMarkMod($arrMark);
//向量的长度
$MarkLenth = getMarkLenth($arrMark);
//标杆向量数组
$Index1 = handIndex($arrMark,"k");
//分析向量数组
$Index2 = handIndex($arrAnaly,"j");
//分析向量与基准向量的余弦值
$Cosine = getCosine($Index1,$Index2,$MarkMod,$MarkLenth);
echo "向量的模:".$MarkMod;
echo "<br>";
echo "向量的长度:".$MarkLenth;
echo "<br>";
echo "标杆向量数组:";
print_r($Index1);
echo "<br>";
echo "分析向量数组:";
print_r($Index2);
echo "<br>";
echo "分析向量与基准向量的余弦值:".$Cosine;
?>
小润测试的demo如上图
谢谢
决战期末,小润宣