关键词匹配优化（第1篇）—— 测试计算过程

昨天大致把思路理清楚了，用one-hot的方式把关键词按字拆开编码，今天尝试可行性。

目前主流的文本向量化方式主要包括one-hot、tf (term-frequency)和tf-idf (term frequency–inverse document frequency)这三种，越往后准确度应该越高。

我的需求比较简单，只有一百多个相对较短的关键词，所以先用one-hot方式向量化，把整个流程跑通，再回来测试准确度的区别。

分词的话可以用python的jieba包，因为词语比较短，所以也先不分词了，按字拆分。

一百多个词拆下来一共200多个关键字，感觉也还ok。

思路的验证是在excel中做的，毕竟数据量小，看起来也方便。

流程是：先用vba把词拆成字（用excel公式也可以完成）；用vba的字典功能把字去重放到首行；然后用countif公式得出one-hot编码。

后面遇到新词之后计算新词的编码，对比两个向量就可以计算相似度了。

向量的相似度用 余弦相似度 方法，不赘述，具体解释可以百度，公式如下。

找了一段用numpy计算余弦相似度的代码，进行测试。

import numpy as np

def cos_sim(vector_a, vector_b):
    """
    计算两个向量之间的余弦相似度
    :param vector_a: 向量 a 
    :param vector_b: 向量 b
    :return: sim
    """
    vector_a = np.mat(vector_a)
    vector_b = np.mat(vector_b)
    num = float(vector_a * vector_b.t)
    denom = np.linalg.norm(vector_a) * np.linalg.norm(vector_b)
    sim = num / denom
    return sim

print( cos_sim(np.array([[1, 1, 1,1,1,1,1,1]]),np.array([[1, 2, 1,1,1,1,1,1]])) )

成功计算出这两个测试向量的相似度

目前整个计算流程基本算是跑通了，接下来就是用c#实现以上功能。