python - 不同长度矢量的余弦相似度？

I'm trying to use TF-IDF将文档分类。我已经计算了一些文档的tf_idf，但是现在当我试图计算两个文档之间的余弦相似性时，我得到了一个回溯，说：

#len(u)==201, len(v)==246

cosine_distance(u, v)
ValueError: objects are not aligned

#this works though:
cosine_distance(u[:200], v[:200])
>> 0.52230249969265641

对向量进行切片，使len（u）==len（v）是正确的方法吗？我认为余弦相似性适用于不同长度的向量。
我使用的是：

def cosine_distance(u, v):
    """
    Returns the cosine of the angle between vectors v and u. This is equal to
    u.v / |u||v|.
    """
    return numpy.dot(u, v) / (math.sqrt(numpy.dot(u, u)) * math.sqrt(numpy.dot(v, v)))

同样——矢量中tf_idf值的顺序重要吗？应该对它们进行分类吗——或者对这个计算来说不重要吗？

最佳答案

你在计算术语向量的余弦相似性吗？术语向量的长度应该相同。如果文档中没有单词，则该词的值应为0。
我不确定你要对哪些向量应用余弦相似性，但是当做余弦相似性时，你的向量应该总是相同的长度和顺序，这非常重要。
例子：

Term | Doc1 | Doc2
Foo     .3     .7
Bar  |  0   |  8
Baz  |  1   |  1

这里有两个向量（.3,0,1）和（.7,8,1），可以计算它们之间的余弦相似性。如果你比较（.3,1）和（.7,8），你会比较BAZ的DOC1分数和BAR的DOC2分数，这是没有意义的。

关于python - 不同长度矢量的余弦相似度？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/3121217/