google的新聞(文章)分類演算法

原文： http://www.google.com.hk/ggblog/googlechinablog/2006/07/12_4010.html

 

Google 的新聞是自動分類和整理的。所謂新聞的分類無非是要把相似的新聞放到一類中。電腦其實讀不懂新聞，它只能快速計算。這就要求我們設計一個演算法來算出任意兩篇新聞的相似性。為了做到這一點，我們需要想辦法用一組數字來描述一篇新聞。

 

對於一篇新聞中的所有實詞，我們可以計算出它們的單文本詞彙頻率/逆文本頻率值（TF/IDF)。不難想象，和新聞主題有關的那些實詞頻率高，TF/IDF 度量很大。我們按照這些實詞在詞彙表的位置對它們的 TF/IDF 度量排序。比如，詞彙表有六萬四千個詞，分別為

單詞編號 漢字詞
------------------
1 阿
2 啊
3 阿鬥
4 阿姨
...
789 服裝
....
64000 做作

在一篇新聞中，這 64,000 個詞的 TF/IDF 度量分別為

單詞編號 TF/IDF 度量
==============
1 0
2 0.0034
3 0
4 0.00052
5 0
...
789 0.034
...
64000 0.075


如果單詞表中的某個次在新聞中沒有出現，對應的值為零，那麼這 64,000 個數，組成一個64,000維的向量。我們就用這個向量來代表這篇新聞，並成為新聞的特徵向量。如果兩篇新聞的特徵向量相近，則對應的新聞內容相似，它們應當歸在一類，反之亦然。

學過向量代數的人都知道，向量實際上是多維空間中有方向的線段。如果兩個向量的方向一致，即夾角接近零，那麼這兩個向量就相近。而要確定兩個向量方向是否一致，這就要用到餘弦定理計算向量的夾角了。