标签：
写了很久忘保存了，囧没了，先放这里
catalogue
1. TF-IDF 2. 基于空间向量的余弦算法 3. 最长公共子序列 4. 最小编辑距离算法 5. similar_text
1. TF-IDF
Relevant Link:
http://qianxunniao.iteye.com/blog/1831780
2. 基于空间向量的余弦算法
将分词后的词频作为向量分量，将每个文件转化为一个向量，通过计算向量之间的余弦值，本质上是在计算不同文本的词频的相似度
3. 最长公共子序列
该算法的最大缺陷是计算CPU消耗较大
1. 将两个字符串分别以行和列组成矩阵 2. 计算每个节点行列字符是否相同，如相同则为1。 3. 通过找出值为1的最长对角线即可得到最长公共子串
为进一步提升该算法，我们可以将字符相同节点的值加上左上角(d[i-1，j-1])的值，这样即可获得最大公共子串的长度。如此一来只需以行号和最大值为条件即可截取最大子串
Relevant Link:
https://segmentfault.com/q/1010000000738974 http://www.speedphp.com/thread-4840-1-1.html http://www.cnblogs.com/liangxiaxu/archive/2012/05/05/2484972.html
4. 最小编辑距离算法
设A、B为两个字符串，狭义的编辑距离定义为把A转换成B需要的最少删除(删除A中一个字符)、插入(在A中插入一个字符)和替换(把A中的某个字符替换成另一个字符)的次数，用ED(A，B)来表示。直观来说，两个串互相转换需要经过的步骤越多，差异越大
1. 对两部分文本进行处理，将所有的非文本字符替换为分段标记"#" 2. 较长文本作为基准文本，遍历分段之后的短文本，发现长文本包含短文本子句后在长本文中移除，未发现匹配的字句累加长度 3. 比较剩余文本长度与两段文本长度和，其比值为不匹配比率
PHP中的levenshtein()函数已经实现了该功能
Relevant Link:
http://php.net/manual/zh/function.levenshtein.php
5. similar_text
Relevant Link:
http://php.net/manual/zh/function.metaphone.php http://php.net/manual/zh/function.soundex.php http://php.net/manual/zh/function.similar-text.php
Copyright (c) 2015 LittleHann All rights reserved
标签：
原文地址：http://www.cnblogs.com/LittleHann/p/5737765.html
