Как рассчитать косинусное сходство двух векторов?

public class CosineSimilarity extends AbstractSimilarity {

  @Override
  protected double computeSimilarity(Matrix sourceDoc, Matrix targetDoc) {
    double dotProduct = sourceDoc.arrayTimes(targetDoc).norm1();
    double eucledianDist = sourceDoc.normF() * targetDoc.normF();
    return dotProduct / eucledianDist;
  }
}

Недавно я сделал кое-что по tf-idf для своего отдела информационного поиска в университете. Я использовал этот метод косинусного сходства, который использует Jama: Java Matrix Package.

Полный исходный код см. В IR Math с Java: Измерения сходства, действительно хороший ресурс, который охватывает несколько хороших различных измерений сходства.

Если вы не хотите полагаться на сторонние библиотеки для такой простой задачи, вот простая реализация Java:

public static double cosineSimilarity(double[] vectorA, double[] vectorB) {
    double dotProduct = 0.0;
    double normA = 0.0;
    double normB = 0.0;
    for (int i = 0; i < vectorA.length; i++) {
        dotProduct += vectorA[i] * vectorB[i];
        normA += Math.pow(vectorA[i], 2);
        normB += Math.pow(vectorB[i], 2);
    }   
    return dotProduct / (Math.sqrt(normA) * Math.sqrt(normB));
}

Обратите внимание, что функция предполагает, что два вектора имеют одинаковую длину. Вы можете явно проверить его на безопасность.

Взгляните на: http://en.wikipedia.org/wiki/Cosine_similarity.

Если у вас есть векторы A и B.

Сходство определяется как:

cosine(theta) = A . B / ||A|| ||B||

For a vector A = (a1, a2), ||A|| is defined as sqrt(a1^2 + a2^2)

For vector A = (a1, a2) and B = (b1, b2), A . B is defined as a1 b1 + a2 b2;

So for vector A = (a1, a2) and B = (b1, b2), the cosine similarity is given as:

  (a1 b1 + a2 b2) / sqrt(a1^2 + a2^2) sqrt(b1^2 + b2^2)

Пример:

A = (1, 0.5), B = (0.5, 1)

cosine(theta) = (0.5 + 0.5) / sqrt(5/4) sqrt(5/4) = 4/5

Для матричного кода на Java я бы рекомендовал использовать библиотеку Colt. Если он у вас есть, код выглядит так (не проверено и даже не скомпилировано):

DoubleMatrix1D a = new DenseDoubleMatrix1D(new double[]{1,0.5}});
DoubleMatrix1D b = new DenseDoubleMatrix1D(new double[]{0.5,1}});
double cosineDistance = a.zDotProduct(b)/Math.sqrt(a.zDotProduct(a)*b.zDotProduct(b))

Приведенный выше код также можно изменить, чтобы использовать один из Blas.dnrm2() методов или Algebra.DEFAULT.norm2() для расчета нормы. Точно такой же результат, более читаемый, зависит от вкуса.

Когда я некоторое время назад работал с интеллектуальным анализом текста, я использовал библиотеку SimMetrics, которая предоставляет широкий диапазон различных показателей в Java. Если случилось так, что вам нужно больше, тогда всегда есть R и CRAN, на которые можно посмотреть.

Но кодировать его по описанию в Википедии - довольно тривиальная задача и может быть хорошим упражнением.

Для разреженного представления векторов с использованием Map(dimension -> magnitude) Вот версия scala (вы можете делать аналогичные вещи в Java 8)

def cosineSim(vec1:Map[Int,Int],
              vec2:Map[Int,Int]): Double ={
  val dotProduct:Double = vec1.keySet.intersect(vec2.keySet).toList
    .map(dim => vec1(dim) * vec2(dim)).sum
  val norm1:Double = vec1.values.map(mag => mag * mag).sum
  val norm2:Double = vec2.values.map(mag => mag * mag).sum
  return dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2))
}

def cosineSimilarity(vectorA: Vector[Double], vectorB: Vector[Double]):Double={
    var dotProduct = 0.0
    var normA = 0.0
    var normB = 0.0
    var i = 0

    for(i <- vectorA.indices){
        dotProduct += vectorA(i) * vectorB(i)
        normA += Math.pow(vectorA(i), 2)
        normB += Math.pow(vectorB(i), 2)
    }

    dotProduct / (Math.sqrt(normA) * Math.sqrt(normB))
}

def main(args: Array[String]): Unit = {
    val vectorA = Array(1.0,2.0,3.0).toVector
    val vectorB = Array(4.0,5.0,6.0).toVector
    println(cosineSimilarity(vectorA, vectorA))
    println(cosineSimilarity(vectorA, vectorB))
}

версия Scala