发帖
雷达卡
文本相似度计算是指充分利用计算机自动计算的能力，通过相似系数、相似距离等尺度来衡量文本之间的相似度，这里主要是指文本相似度计算的公式、算法或者是模型。文本相似度研究它只适合特定的领域，不同的领域考虑的因素，计算的原则都是不一样的，因此其算法也是不一样的。
1、明确应用目的:文本相似度研究主要是应用于那一模块，是要达到一个什么目的，因此在进行研究之前要进行调研，比如在文本文类，文本聚类领域，文本相似度研究主要是解决文本归类的问题;但是在数字图书馆领域，像中国知网数据库和万方数据的数字图书馆，其研究的功能主要是找出与当前文献内容类似的文献，这种提供相似文献的方法是通过计算文本之间的相似度来判定的。
2、要明确思想，循序渐进:分析其文本相似度研究的实际问题，找出本质规律，用数学语言进行描述，确定问题所涉及的一些变量，了解其变量之间的关系，根据问题提出假设，并将问题所涉及的变量用公式，图表，符号表示出来，用数学推导形成数据模型，在此基础上通过统计学跟数据分析来检验和修正模型，验证文本相似度。
3、选择一个适用的模型:文本相似度研究在多个领域都有应用，但是个不同的领域的文本相似度研究模型跟算法是不同的，要建立一个实用的数据模型，必须要把握研究领域的本质和规律，以便在此规律上面建立公式及模型，模型尽可能简单明了，便于操作及管理，模型最重要的是要经得起实践的检验，同时做到有代表性的推广。
4、确定一个相似度标准:两个文本之间是否相似是需要一个判断标准的，在判断中可以设定一个闽值来检验文本相似度计算结果，其结果应该也是一个量化的过程，可以假定如果计算结果大于或者等于闽值，则判定两个文本是相似的，少于则判定其不相似。由于闽值是一个数值形式，因此它的选择没有一个固定的模式，根据其标准灵活的选择，也可以根据其系统的需要进行精度设置，其精度要求越高，相应的闽值就越大。
京公网安备 11010802022788号
