基于tf-idf-Python的文档间余弦相似度和TS-SS相似度

计算基于文本的文档之间余弦相似度的常用方法是计算tf-idf，然后计算tf-idf矩阵的线性核

TF-IDF矩阵使用TfidfVectorizer（）计算

此处article_master是一个包含所有文档文本内容的数据框。
正如Chris Clark所解释的，TfidfVectorizer生成归一化向量；因此，线性_核结果可用作余弦相似性

余弦模拟内容=线性内核（tfidf矩阵内容、tfidf矩阵内容）

这就是我的困惑所在。

实际上，2个向量之间的余弦相似性为：

InnerProduct(vec1,vec2) / (VectorSize(vec1) * VectorSize(vec2))

线性核计算所述的内积

因此，问题是：

为什么我不把内积除以向量大小的乘积

为什么标准化免除了我的这一要求

现在，如果我想计算ts ss相似度，我还能使用吗 归一化tf idf矩阵和余弦值（由 线性核（仅适用）

---

感谢@timleathart的回答，我终于知道了原因

归一化向量的大小为1，因此，是否明确除以大小并不重要。这在数学上是等价的

tf idf矢量器使单个行（矢量）正常化，使其全部长度为1。由于余弦相似性只与角度有关，因此向量的大小差异并不重要

---

使用ts ss的主要原因是考虑了矢量的角度和大小差异。因此，即使使用标准化向量没有错；但是，这超出了使用三角形相似性组件的全部目的。

您可能会在或上提出这样的问题：对于像这样的机器学习问题，哪些地方是好地方？这些问题更具学术性，而不是实际实现！我还在统计堆栈交换中发布了这个问题；但仍然在那里等待。

InnerProduct(vec1,vec2) / (VectorSize(vec1) * VectorSize(vec2))