步骤:
![](/upload/ad_content/xuanchuantu-13.jpg)
为西工等地区用户提供了全套网页设计制作服务,及西工网站建设行业解决方案。主营业务为
做网站、网站制作、西工网站设计,以传统方式定制建设网站,并提供域名空间备案等一条龙服务,秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求,就会得到认可,从而选择与我们长期合作。这样,我们也可以走得更远!
读取三篇文档1.txt,2.txt,3.txt,里边的内容分别为“this is php”,“this is html html”,“this is java”
分词,并统计词频tf
计算文档频率df
计算每篇文档的特征向量
计算搜索词与文档的夹角余弦值
$_value){
$_value = trim($_value);
$_value = preg_replace('/[.|,|(|)|-|;]/','',$_value);
$_words[$i][$_key]=strtolower($_value);
}
//统计文档所有词的长度,一般计算tf需要除以这个值,为了简便,本次试验省去这步
//$_words_count[]=count($_words[$i]);
//词频tf
$_tf[] = array_count_values($_words[$i]);
//去重
$_words[$i]= array_unique($_words[$i]);
}
//合并
$_words_com = array_merge($_words[0],$_words[1],$_words[2]);
//文档频率
$_df = array_count_values($_words_com);
//特征向量
for ($i = 0;$i < $_len;$i++){
//初始化,与文档频率的维度相同
$_vsm[$i] = $_df;
//把每个维度的值设置为0
foreach($_vsm[$i] as $_key=>$_value){
$_vsm[$i][$_key] = 0;
}
for ($j=0;$j
';
}
//测试
$_query = 'java';
$_vsm_que = $_df;
foreach($_vsm_que as $_key=>$_value){
$_vsm_que[$_key] = 0;
}
if (in_array($_query,$_vsm_que)){
$_vsm_que[$_query] = 1;
}
for ($i = 0; $i < count($_vsm); $i++){
foreach($_vsm_que as $_key=>$_value){
$_sim[$i] += ($_vsm[$i][$_key]) * ($_vsm_que[$_key]);
$_w1 += pow($_vsm_que[$_key],2);
$_w2 += pow($_vsm[$i][$_key],2);
}
//求夹角余弦值,相似度计算
$_cos[$i] = $_sim[$i]/(sqrt($_w1)*sqrt($_w2));
echo '
';
echo '第'.($i+1).'篇文档的相似度:'.$_cos[$i];
}
arsort($_cos);
foreach($_cos as $_key=>$_value){
echo '
';
echo '最符合的结果为第'.($_key+1).'篇文档';
break;
}
?>
在浏览器运行的结果:
第1篇文档的特征向量: (0,0,1.09861228867,0,0)
第2篇文档的特征向量: (0,0,0,2.19722457734,0)
第3篇文档的特征向量: (0,0,0,0,1.09861228867)
第1篇文档的相似度:0
第2篇文档的相似度:0
第3篇文档的相似度:0.235702260396
最符合的结果为第3篇文档
另外有需要云服务器可以了解下创新互联cdcxhl.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
网站名称:使用tf*idf实现对文档集合的检索-创新互联
网站URL:
http://bjjierui.cn/article/cogjgh.html