搜索引擎判定相似文章網(wǎng)頁(yè)的原理大解析

1、在上一篇文章中已經(jīng)詳細(xì)的介紹了利用TFIDF算法自動(dòng)提取文章關(guān)鍵詞的原理。接下來(lái)，我們?cè)賮?lái)研究一下另一個(gè)相關(guān)的問(wèn)題。這個(gè)問(wèn)題也是我們做SEO的最關(guān)心的，有些時(shí)候，我們除了要明白如何找到并提取文章關(guān)鍵詞，我們還需要找到與原文章相似的其他文章。比如，我們平時(shí)在搜索引擎的新聞欄目下搜索某條新聞的時(shí)候，在主新聞下方，還提供了多條相似的新聞。如下圖所示：223052OD0為了找出相似的文章，我們就需要用到另外一個(gè)公式原理了，那就是“余弦相似性（c

2、osinesimiliarity）”。一、什么是“余弦相似性“？余弦相似性是指通過(guò)測(cè)量?jī)蓚€(gè)向量?jī)?nèi)積空間的夾角的余弦值來(lái)度量它們之間的相似性。0度角的余弦值是1，而其他任何角度的余弦值都不大于1并且其最小值是1。從而兩個(gè)向量之間的角度的余弦值確定兩個(gè)向量是否大致指向相同的方向。兩個(gè)向量有相同的指向時(shí)，余弦相似度的值為1；兩個(gè)向量夾角為90時(shí)，余弦相似度的值為0；兩個(gè)向量指向完全相反的方向時(shí)，余弦相似度的值為1。在比較過(guò)程中，向量的規(guī)模大小