关键词匹配优化（第2篇）—— 用C#实现demo

上一篇文章用python实现了计算文本相似度计算的过程，这次用c#做个demo。

不得不说用python是真的方便，不懂计算过程也能实现结果。c#也有类似numpy的库：numsharp。经过测试还是有区别的，有些功能没有（也可能是因为我没看文档）。最后还是自己研究计算过程去写。

用c#写excel公式有两种开发方式：vsto和exceldna。看了一下vsto的部署感觉比较麻烦，所以这里用exceldna的方式。

求两个词向量的余弦相似度的c#代码如下

        /// <summary>
        /// 求余弦相似度，输入两个只有1行且列数相同的二维数组
        /// </summary>
        /// <param name="vector_a">向量a</param>
        /// <param name="vector_b">向量b</param>
        /// <returns>返回两个向量的余弦相似度</returns>
        public static double cos_sim(int[,] vector_a, int[,] vector_b)
        {
            double num = 0;
            //计算向量a和 向量b转置 的乘积
            //python中的：float(vector_a * vector_b.t)
            for(int i = 0; i < vector_a.getlength(1); i++)
            {
                num += vector_a[0, i] * vector_b[0, i];
            }
            
            double denom =  norm(vector_a) * norm(vector_b);
            double sim = num / denom;
            return sim;
        }

        /// <summary>
        /// 求向量范数，输入一个只有1行的二维数组
        /// </summary>
        /// <param name="vector">输入的向量</param>
        /// <returns>返回向量的范数</returns>
        //类似numpy中的np.linalg.norm
        public static double norm(int[,] vector)
        {
            double sumi = 0;
            foreach(int i in vector)
            {
                sumi += i * i;
            }

            return math.sqrt(sumi);
        }

这个只是初步实现了余弦相似度计算，还有优化的空间。比如这里输入的向量是一行的二维数组，改成用一维数组或者list都可以，类型也可以不用int改成double。

输入的部分先用excel选区输入，后面会改到数据库中，实现效果如下：

返回的字符串后面跟的数字是两个词的相似度，后续删掉即可。

前面的单元格区域“测试!a1:jh154”是目标关键词和向量，之后会把这部分去掉，整理一下存储到数据库中。按照目前的one-hot编码，后续增加关键词时直接给每个关键词后加一个值是0的维度即可，如果改成tf-idf编码，就需要在增加关键词后重新计算向量了。不过怎么说也比维护100多个elseif要方便，后续优化还可以把拆分字换成分词，减少计算量，提高准确度。