您好,登錄后才能下訂單哦!
步驟:
讀取三篇文檔1.txt,2.txt,3.txt,里邊的內(nèi)容分別為“this is php”,“this is html html”,“this is java”
分詞,并統(tǒng)計(jì)詞頻tf
計(jì)算文檔頻率df
計(jì)算每篇文檔的特征向量
計(jì)算搜索詞與文檔的夾角余弦值
<?php $_txts = array('1.txt','2.txt','3.txt'); $_len = count($_txts); for ($i = 0;$i < $_len;$i++){ $_contents[] = file_get_contents($_txts[$i]); //讀取內(nèi)容 } for ($i = 0;$i < $_len;$i++){ //分詞 $_words[] = explode(' ',trim($_contents[$i])); foreach ($_words[$i] as $_key=>$_value){ $_value = trim($_value); $_value = preg_replace('/[.|,|(|)|-|;]/','',$_value); $_words[$i][$_key]=strtolower($_value); } //統(tǒng)計(jì)文檔所有詞的長(zhǎng)度,一般計(jì)算tf需要除以這個(gè)值,為了簡(jiǎn)便,本次試驗(yàn)省去這步 //$_words_count[]=count($_words[$i]); //詞頻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]); //文檔頻率 $_df = array_count_values($_words_com); //特征向量 for ($i = 0;$i < $_len;$i++){ //初始化,與文檔頻率的維度相同 $_vsm[$i] = $_df; //把每個(gè)維度的值設(shè)置為0 foreach($_vsm[$i] as $_key=>$_value){ $_vsm[$i][$_key] = 0; } for ($j=0;$j<count($_words[$i]);$j++){ if (in_array($_words[$i][$j],$_words_com)){ $_vsm[$i][($_words[$i][$j])] = ($_tf[$i][($_words[$i][$j])])*(log($_len/$_df[($_words[$i][$j])])); } } } for($i = 0;$i < count($_vsm); $i++){ echo '第'.($i+1).'篇文檔的特征向量: ('. implode(",",$_vsm[$i]).')<br/>'; } //測(cè)試 $_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); } //求夾角余弦值,相似度計(jì)算 $_cos[$i] = $_sim[$i]/(sqrt($_w1)*sqrt($_w2)); echo '<br/>'; echo '第'.($i+1).'篇文檔的相似度:'.$_cos[$i]; } arsort($_cos); foreach($_cos as $_key=>$_value){ echo '<br/><br/>'; echo '最符合的結(jié)果為第'.($_key+1).'篇文檔'; break; } ?>
在瀏覽器運(yùn)行的結(jié)果:
第1篇文檔的特征向量: (0,0,1.09861228867,0,0)
第2篇文檔的特征向量: (0,0,0,2.19722457734,0)
第3篇文檔的特征向量: (0,0,0,0,1.09861228867)
第1篇文檔的相似度:0
第2篇文檔的相似度:0
第3篇文檔的相似度:0.235702260396
最符合的結(jié)果為第3篇文檔
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。