Nlp 匹配两组文件以查找它们之间最接近的相关性

我有两组文件A和B，两组都有大约10000个文件。我想找到集合B中与集合A中每个文件最匹配的文件

实际上，集合A和集合B中的文件实际上是目录，但为了简单起见，我将它们称为文件

目前，我已经编写了一些解析器来从这两个集合中提取重要属性，并将它们存储在数据库中，将其作为这两种类型中每个文件的特征

现在我想找到集合A中的文件与集合B中的文件最接近的匹配项

---

请告诉我您对解决此问题的最佳方法的建议。

您的文件是什么样的？你如何定义这种“匹配”关系？这些文件是技术文件，所以很多词汇都是特定领域的，即网络。因此，一组文件是用户生成的，另一组文件是系统生成的，例如日志文件。匹配关系是我的问题，定义匹配关系的最佳方法是什么。tf idf分数和简单的单词匹配是我想实现的最初方法。我在看是否有更好的方法。