使用tf*idf实现对文档集合的检索-创新互联

步骤：

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！

1. 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”

2. 分词，并统计词频tf

3. 计算文档频率df

4. 计算每篇文档的特征向量

5. 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。

文章题目：使用tf*idf实现对文档集合的检索-创新互联
网站网址：http://cqcxhl.com/article/cogjgh.html