问题标签 [similarity]

我正在尝试在 PHP中编写调整后的余弦相似度。

我这样构建我的数据：

数据示例：

我想写一个函数来计算两个项目的调整余弦，比如

为了对我从 Lucene 获得的结果执行简单的聚类算法，我必须计算 Lucene 中 2 个文档之间的余弦相似度，我还需要能够制作一个质心文档来表示每个聚类的质心。

我能想到的就是用 tf-idf 加权构建我自己的向量空间模型，使用 TermFreqVectors 和整体词频来填充它。

我的问题是：这不是一种有效的方法，有没有更好的方法来做到这一点？

这感觉有点不清楚，所以任何关于如何改进我的问题的建议也值得赞赏。

我正在使用这段 Java 代码来查找类似的字符串：

if( str1.indexof(str2) >= 0 || str2.indexof(str1) >= 0 ) .......

但是有了它str1 = "pizzabase"并str2 = "namedpizzaowl"不起作用。

我如何找到常见的子字符串，即“pizza”？

再会，

我正在使用 cURL 和各种解析技术从各种网站检索信息。我编写了代码，因此如果需要，我可以添加其他我从中扫描信息的网站。

检索到的信息如下：（请注意，信息可能不准确，可能不反映真实价格/名称）

所需的输出必须是：

请注意，名称可能会有所不同，因此需要使用similar_text。此外，某些信息可能不会显示在所有网站上。我知道只能选择一个电视名称，然后我将使用最相关来源（website1.com）中的一个

这是我正在尝试使用的代码。

首先，上面的代码不起作用。一定有一个我无法指出的逻辑错误。此外，如果我将第三个网站添加到列表中，我不相信该代码将起作用。

有什么想法吗？从今天早上开始我就一直在做这件事。

编辑 2011-02-16：

我为这个问题添加了赏金。

我正在尝试为学校项目寻找类似音频相似性库的东西。一些简单且有据可查的东西，最好用 python 或 java 编写，可以从音频文件中提取特征并基于这些估计任何形式的相似性。像这样的代码也可以，但我认为我没有能力自己做类似的事情。“情绪提取器”也可以满足我的需求。这是一个复杂的话题，但我希望有人可以帮助我。

我的 iPhone 应用程序正在使用具有以下架构的 SQLite 数据库：

• items(id, name, ...) -> 此表包含 50 条记录
• tags(id, name) -> 这个表包含 50 条记录
• item_tags(id, item_id, tag_id, user_id)
• 相似性（id，item1_id，item2_id，分数）

项目、标签、item_tags 和相似度表填充了预定义的记录，因此不同项目之间的相似度也已经离线计算（使用基于项目标签的余弦相似度算法）。

用户可以为项目添加额外的标签，并在以后删除他们的自定义标签。每当发生这种情况时，项目之间的相似性分数应该在本地更新，即无需联系服务器应用程序。

我现在的问题是：最有效的方法是什么？到目前为止，在 iPhone 应用程序启动时，我为所有项目和标签计算了一个术语文档矩阵（它反映了每个项目的标签频率），并在应用程序运行时将该矩阵保存在内存中。每当添加或删除标签时，我都会使用此矩阵来更新数据库中的相似性。然而，这是相当低效的。你有什么建议吗？

谢谢！

我需要一种算法来计算两条画线之间的相似程度。这些线是使用鼠标绘制的，并在使用单独的算法进行过滤和平滑之前存储为一组笛卡尔坐标。

例如，在下图中：

线 A 和 B 明显相似，但 B 和 C 不相似。算法应该反映这一点。此外，由起点和终点指示的线的“方向”很重要。这样的算法是否已经存在？

我有一个字符串，我想与一个字符串数组进行比较，并返回最匹配的数组元素。

我可以编写一个滑动相关器，计算每一步匹配字符的数量并返回最大相关性。但是有更好的方法吗？

例如：
control_string = drv_probability_1_max

列表：
burst_period_min/max
duty_cycle_min/max probablility_0_min/
max probblility_1_min/
max

理想情况下它返回“probblility_1_min/max”

我正在寻找一个可以帮助我找到重复 PDF 的实用程序。问题：我有 1000 多个 PDF 文件。有些是重复的。由于不同的文件名和文件大小的微小差异，它们不容易检测。是否有实用程序/算法/库可以帮助我找到重复项或向我显示非常相似（或差异程度）的文件？

我有两个 G729 编码文件，我采用了它们的 pcm 版本。我想测量这两个文件之间的相似性。这些文件是二进制文件，所以如何测量二进制文件之间的相似性，我用 C 语言编写了一个代码，该代码从第一个文件中获取模式并在第二个文件中搜索相似的文件，但我想要一个相似性度量...... . 我在文献中搜索了很多，我找到了 jaccard 和其他人，但仍然无法确定其中哪些符合我的情况。提前感谢您的帮助..