4.5 基于余弦相似性算法的相似度分析

余弦相似性算法是基于向量空间模型的算法，其关键词的向量依赖于IF-IDF算法或其他关键词提取算法。

4.5.1 原理基础

余弦相似性顾名思义是指通过余弦的方式计算相似度，其是基于向量的算法，并利用两个向量方向和大学的不同，将此种不同转换为余弦值，并将余弦值用作衡量信息差异的标准。

4.5.2 公式解析

4.5.3 计算网页文本相似性过程

（1）分词处理。

（2）向量集。

（3）词频计算。

（4）形成特征向量。根据特征集计算的词频信息，将词频转换为特征向量，特征向量以特征集为基础，词频为特征集对应词语的权值。

（5）相似度计算。