1、文本空間向量模型的主要思想是:將每一個(gè)文本表示為向量空間的一個(gè)向量，并以每一個(gè)不同的特征項(xiàng)(詞條)對(duì)應(yīng)為向量空間中的一個(gè)維度，而每一個(gè)維的值就是對(duì)應(yīng)的特征項(xiàng)在文本中的權(quán)重。向量空間模型就是將文本表示成為一個(gè)特征向量:其中為文檔d中的特征項(xiàng)為的權(quán)重，一般取為詞頻的函數(shù)。一般選取詞作為文檔向量的特征項(xiàng),最初的向量表示完全是0,1的形式,即如果文本中出現(xiàn)了該詞,那么文本向量的該維為1,否則為0。這種方法無法體現(xiàn)這個(gè)詞在文本中的作用程度,所以逐漸0、1被更精確的詞頻代替，詞頻分為絕對(duì)詞頻和相對(duì)詞頻，絕對(duì)詞頻，使用詞在文本中出現(xiàn)的頻率表示文本，相對(duì)詞頻為歸一化的詞頻，其計(jì)算方法主要運(yùn)用TF-IDF公式，

2、目前存在多種形式的TF-IDF公式。在向量空間模型中，兩個(gè)文本和之間的相關(guān)程度可以用它們之間的相似度來度量。當(dāng)文本被表示為向量空間模型中的向量時(shí)，我們可以借助于向量之間的某種距離來表示文本之間的相似度，通常用向量之間的內(nèi)積或者用夾角余弦值來表示。根據(jù)以上理論的指導(dǎo)，我做了如下實(shí)驗(yàn)。選取詞作為文本向量的特征項(xiàng)（預(yù)先把中文詞匯的停止詞去掉，比如標(biāo)點(diǎn)符號(hào)，啊，阿，哎，哎呀等）。文本向量權(quán)重的選取為特征詞在文本中出現(xiàn)的次數(shù)。兩個(gè)文本間的相似度用夾角的余弦值表示。比如連個(gè)文本=iphone5s, 16G，文本=iphone5s, 16G, 電信版，文本=iphone5s, 16G, 移動(dòng)版?，F(xiàn)在計(jì)算和之

3、間的相似度。步驟一：得到兩個(gè)文本特征項(xiàng)集合的并集iphone5s, 16G, 電信版步驟二：的向量表示1,1,0步驟三：的向量表示1,1,1步驟四：根據(jù)向量余弦夾角公式計(jì)算兩個(gè)文本的相似度。步驟五：保存結(jié)果。實(shí)驗(yàn)結(jié)果，的相似度為0.8164965809277259，和的相似度為0.6666666666666667。主程序流程圖：結(jié)束計(jì)算所有文本間的相似度用特征向量表示各個(gè)文本用特征項(xiàng)表示各個(gè)文本統(tǒng)計(jì)特征項(xiàng)類從文件中加載文本集合從文件中加載停止詞開始這個(gè)程序還比較簡陋，里面還存在一些問題，只是一個(gè)入門程序，現(xiàn)在正在研究TF-IDF公式。TF是詞頻，不同類別的文檔，在特征項(xiàng)的出現(xiàn)頻率上有很大差異，

4、因此特征項(xiàng)頻率信息是文本分類的重要參考之一，一般TF較大的特征項(xiàng)在該類文檔中具有較高的權(quán)重，也就是說如果一個(gè)詞有某類文檔中經(jīng)常出現(xiàn)，那么說明這個(gè)詞對(duì)該類文檔具有代表性，TF越大，表示這個(gè)詞對(duì)文檔越重要。如“計(jì)算機(jī)”這個(gè)詞在計(jì)算機(jī)類的文檔中出現(xiàn)的頻率顯然要高于政治類的文檔。但是只是詞頻不足以表示一個(gè)詞對(duì)文檔的有用程度，為了消減幾乎存在于所有文檔中的高頻詞匯的影響，比較合理的辦法是使用反比文檔頻率。DF是文檔頻率，就是文檔集合中出現(xiàn)某個(gè)特征項(xiàng)的文檔數(shù)目；IDF是反比文檔頻率，IDF越大，此特征項(xiàng)在文檔中的分布越集中，說明他在區(qū)分該文檔內(nèi)容屬性方面的能力越強(qiáng)。反文檔頻率是特征項(xiàng)在文檔集分布情況的量化。IDF應(yīng)用時(shí)經(jīng)常采用對(duì)數(shù)形式。IDF算法能夠弱化一些在大多數(shù)文檔中出現(xiàn)的高頻特征項(xiàng)的重要度，同時(shí)增強(qiáng)一些在小部分文檔中出現(xiàn)的低頻特征項(xiàng)的重要度。特征權(quán)重計(jì)算唯一的準(zhǔn)則就是要最大限度的區(qū)分不同文檔。因此特征項(xiàng)頻率TF與反比文檔頻率IDF通常是聯(lián)合使用的，也就是TF-IDF權(quán)重。參考文獻(xiàn)：1蘇力華.基于向量空間模型的文本分類技術(shù)研究D.西安電子科技大學(xué),2006.