写给设计师的人工智能指南：如何找出相似的文章
这个系列的文章已经写了5篇了。
点击可以查看往期。
本期更新第5篇文章，
聊聊文本挖掘中的
“找出相似的文章”，
为“推荐系统”做准备。
以下为正文。
先了解下文本挖掘的一般过程。
如何让计算机读懂一段文字?
本质上要解决的是从文字中提取计算机可以理解的特征，
然后把文本特征告诉计算机，
计算机根据特征来做出相应的行为。
文本挖掘的一般过程：
1、获取文本
使用爬虫技术，获取网页上的文本；
我前阵子更新的《数据可视化与爬取》系列，可以派上用场了～
2、对文本进行预处理
主要是去掉一些标点符号、停顿词、空格等没有意义的字符串。
3、分词系统
转化为特征向量，这个在人工智能里应用很广，基本输入的数据都要转化为特征向量。
4、利用相关算法进行挖掘
比如
利用TF*IDF算法提取关键词，
从一篇或多篇文本中提取出有代表性的关键词；
机器学习算法CRFs算法，SVM和MaxEnt等用于情感分类，对文本中情感的倾向性和评价对象进行提取的过程；
文本信息分类，将文本按照预设的分类体系进行自动区分；
实体识别，用于从文本中发现有意义的信息，例如人名、公司名、产品名、时间、地点等；
典型意见，将消费者意见进行单句级别的语义聚合，提取出有代表性的意见；
相似文本聚类，指的是机器自动对给定的文本进行话题聚类，将语义上相似的内容归为一类，有助于海量文档、资讯的整理，和话题级别的统计分析。
如果觉得自己开发算法太麻烦，
可以用开放平台提供的api，
这里推荐用
玻森
中文语义分析
http://bosonnlp.com/
在玻森的官网上有详细的示例，
有兴趣可以去看看。
ps：顺便打个广告，
我的第三款独立开发的app：ACE Land，
将于近期上线IOS，
其中我运用了玻森的api，
提取文章关键词，
自动生成文章摘要。
上文是一般的文本挖掘的思路，
下面我们动手用nodejs做个实验，
自己编程实现用余弦相似性，找出相似的文章。
可以用于判断文章是否抄袭，
信息的是否重复。
为了简单起见，我们先从句子着手。
句子A：我喜欢看电视，不喜欢看电影。
句子B：我不喜欢看电视，也不喜欢看电影。
这里借用阮一峰的例子
那怎样才能计算上面两句话的相似程度？
如果这两句话的用词越相似，
它们的内容就应该越相似。
因此，可以从词频入手，计算它们的相似程度。
第一步，分词。
这边我使用的是nodejieba，
"结巴"中文分词的Node.js版本。
终端输入
npm install nodejieba
安装nodejieba，
安装成功后，
终端输入：
node
var nodejieba = require("nodejieba");
var result1 = nodejieba.cut("我喜欢看电视不喜欢看电影");
var result2 = nodejieba.cut("我不喜欢看电视也不喜欢看电影");
分词结果：
[ '我', '喜欢', '看电视', '不', '喜欢', '看', '电影' ]
[ '我', '不', '喜欢', '看电视', '也', '不', '喜欢', '看', '电影' ]
第二步，列出所有的词。
终端输入：
var sum=result1.concat(result2);
Array.prototype.unique = function () {
var newArr = [];
for (var i = 0; i < this.length; i++) {
if (newArr.indexOf(this[i]) == -1) {
newArr.push(this[i]);
}
}
return newArr;
};
／／需要写个，去除重复元素的数组方法
sum=sum.unique();
结果：
[ '我', '喜欢', '看电视', '不', '看', '电影', '也' ]
第三步，计算词频。
function tf(res,sum){
var obj={}; for(var i=0;i<res.length;i++){ for(var j=0;j<sum.length;j++){ if(res[i]==sum[j]){ obj[sum[j]]=obj[sum[j]]+1 || 1 ; }； }； }; var tf=[]; for(var i=0;i<sum.length;i++){ tf.push(obj[sum[i]]||0); }； console.log(JSON.stringify(obj))； return tf；
}；
console.log(tf(res1,sum))；
console.log(tf(res2,sum))；
结果：
{"我":1,"喜欢":2,"看电视":1,"不":1,"看":1,"电影":1}
特征向量：
句子A：[1, 2, 1, 1, 1, 1, 0]
{"我":1,"不":2,"喜欢":2,"看电视":1,"也":1,"看":1,"电影":1}
特征向量：
句子B：[1, 2, 1, 2, 1, 1, 1]
第四步，计算两个向量的余弦相似度
余弦相似度，
又称为余弦相似性。
通过计算两个向量的夹角余弦值来评估他们的相似度。
夹角越小，
余弦值越接近于1，
它们的方向更加吻合，则越相似。
2个N维向量之间的余弦值公式：
下面是js写的代码：
function VectorN(n,m) { var sum1=0,sum2=0,sum3=0; for(var i=0;i<n.length;i++){ sum1=sum1+n[i]*n[i]; sum2=sum2+m[i]*m[i]; sum3=n[i]*m[i]+sum3; }； console.log(sum1,sum2,sum3);return sum3/(Math.sqrt(sum1)*Math.sqrt(sum2));};
终端输入：
VectorN（tf(res1,sum)，tf(res2,sum)）;
结果：
0.9245003270420487
结果越接近1，2个向量越相似。
据此，
我们就得到了"找出相似文章"的一种算法：
通过分词，找出两篇文章的关键词；
每篇文章取出所有关键词，合并成一个集合，计算每篇文章对于这个集合中的词的词频；
生成两篇文章各自的词频向量；
计算两个向量的余弦相似度，值越大就表示越相似。
下面，我们实验下从5篇文章里找出相似的文章。
这5篇文章都是写微软最新的设计语言Fluent Design System的。
乍一看，都长得差不多。
第一步，
先提取文本，
去除标点及空格等无效信息。
var text=document.querySelector('#js_content').innerText.replace(/[\ |\~|\`|\!|\@|\#|\$|\%|\^|\&|\*|\(|\（|\)|\）|\-|\_|\+|\=|\||\\|\［|\[|\]|\］|\{|\}|\;|\；|\:|\：|\"|\“|\”|\'|\,|\，|\<|\.|\。|\、|\>|\/|\！|\?]|\▼|\s/g,"");
第二步，
分别对5篇文章的文本进行分词。
var res1=nodejieba.cut(text);
第三步，
计算余弦相似度
var sum=res1.concat(res2).concat(res3).concat(res4).concat(res5);
var tf=[tf(res1,sum),tf(res2,sum),tf(res3,sum),tf(res4,sum),tf(res5,sum)];
var obj={};for(var i=0;i<tf.length;i++){ if(i+1<tf.length){ for(var j=i;j<tf.length;j++){ if(j+1<tf.length){ obj[i+'x'+(j+1)]=VectorN(tf[i],tf[j+1]); } } }};
输出结果：
console.log(obj)
{ '0x1': 0.9030530508723759,
'0x2': 0.751374830490995,
'0x3': 0.7540626460699467,
'0x4': 0.7120954421773579,
'1x2': 0.9545257989404156,
'1x3': 0.9569961672645231,
'1x4': 0.9373082646373901,
'2x3': 0.9980777768720895,
'2x4': 0.9977259425453167,
'3x4': 0.9965644471023887 }
tf2、tf3基本就是同一篇文章。
看tf0、tf4这两篇文章就行了。
最后，补充说明下，
我在实验中是把文本所有的词都作为文本特征来计算的，考虑得不够精细；
英文单词由于直接忽略了空格，所以没法很好的分词；
关于文章的发布时间，可以作为自动判断哪篇文章是原稿的依据；
文章字数，可以考虑加入作为另一个维度的判断标准；
算法采用的是词频的计算，把分词结果转化为特征向量，这是人工智能机器学习算法的基础，可以为文本相关的机器学习做一个基础准备；
另外，计算文本特征向量的相似程度，也可以采用机器学习的算法哦～
在做分类时常常需要估算不同样本之间的相似性度量
Similarity Measurement，
这时通常采用的方法就是计算样本间的“距离”(Distance)。
采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。
1. 欧氏距离
2. 曼哈顿距离
3. 切比雪夫距离
4. 闵可夫斯基距离
5. 标准化欧氏距离
6. 马氏距离
7.余弦相似度
8. 汉明距离
9. 杰卡德距离 & 杰卡德相似系数
10. 相关系数 & 相关距离
11. 信息熵
本文采用了余弦相似度，回头我再研究下这11种之间的差异。
还有，这个实验是为推荐系统做准备的～