Python 使用sklearn哈希向量器获取相似性百分比

我有一个python程序，它从几个站点获取文章并将它们存储在数据库中，在我的例子中，当我不想在数据库中添加新文章时，我应该检查它是否是重复的文章。我只想通过获取相似度百分比并为其设置阈值来完成这项工作（例如，我说如果（两个字符串的相似度百分比）>70%，那么新文章是重复的）

我的问题是找到相似度的百分比。现在我使用和SequenceMatcher类：

diff = SequenceMatcher(
   None, article1.content, article2.content).ratio()

但这是不对的，我认为在这种情况下使用（？）：

---

如何获得两个hashvector的相似度百分比（例如余弦距离）以及如何将其转换为百分比？感谢您的回答。

使用

哈希向量器的默认设置（特别是
norm=“l2”
），这两个向量之间的余弦相似性为

sim = (article1_vector * article2_vector.T).A[0, 0]

这实际上只是一个点积，通过一些技巧来摆脱SciPy稀疏矩阵格式

这使得
-1
和
1
之间具有相似性，因此您可以添加一个并除以二得到一个百分比

sim = (article1_vector * article2_vector.T).A[0, 0]