为何要计算文档相似性
在今年年初的时候，我开始尝试做文本的自动聚类，当时是从网上，找到的一个K-Means算法，稍作了修改。从测试结果来看，分类效果不太好，究其原因，我认为有两个，一个是词库的问题，停用词词库太小，没有噪音词库，也没有近义词词库，最关键的是切出来的词，统计的TFIDF权重不准确，第二个原因则是计算某文档与目标类别的相似度的算法不够合理。第一个问题经过两天多的尝试，于昨日解决了，剩下了第二个问题，真是让人头疼。 在今年年初的时候，我开始尝试做文本的自动聚类，当时是从网上，找到的
阅读背景：
文本去重第一步：基于内容的文本相似性计算
来源：互联网
分享到：
