Python：查询词与文档间的夹角相似度计算方法咨询

嘿，我来帮你把这个夹角计算的逻辑掰碎了讲清楚——其实本质就是用余弦相似度来衡量查询和文档的相关性，咱们拿你给的例子一步步走，你肯定能懂～

首先得先确定一个词汇表——也就是所有出现在文档和查询里的唯一单词集合。你的例子里：

• 文档内容："This world is fake"
• 查询内容："fake"
  所以咱们的词汇表就是：["This", "world", "is", "fake"]

接下来，每个文本（不管是文档还是查询）都要转换成这个词汇表维度的向量，向量的每个分量对应词汇表中单词的出现次数（也就是词频TF）：

• 文档向量：[1, 1, 1, 1]（每个单词各出现一次）
• 查询向量：[0, 0, 0, 1]（只有"fake"出现了一次）

两个向量之间的夹角θ的余弦值，就是衡量它们相似度的核心指标，公式是：

cosθ = (向量A · 向量B) / (||向量A|| * ||向量B||)

咱们拆解一下这个公式的各个部分：

• 向量点积：把两个向量对应位置的分量相乘，再把结果加起来。你的例子里就是：(1*0) + (1*0) + (1*0) + (1*1) = 1
• 向量的模长：把向量每个分量的平方加起来，再开根号。
  • 文档向量的模长：√(1² + 1² + 1² + 1²) = √4 = 2
  • 查询向量的模长：√(0² + 0² + 0² + 1²) = √1 = 1

把数值代入公式，得到：cosθ = 1 / (2*1) = 0.5

如果你需要得到具体的角度值，用反余弦函数计算就行：
θ = arccos(0.5) = 60°（或者用弧度表示的π/3）

如果有一堆文档，逻辑也是完全一样的：

• 先收集所有文档和查询里的单词，构建一个统一的大词汇表
• 把每个文档都转换成这个词汇表维度的词频向量
• 把查询也转换成同样维度的向量
• 逐个对文档向量和查询向量计算余弦相似度（也就是夹角的余弦值）
• 余弦值越接近1，说明两个向量的夹角越小，文档和查询的相关性就越高

你提到“将文档表示为向量时，每个向量分量代表t...”，其实除了简单的词频，还可以用**TF-IDF（词频-逆文档频率）**来计算向量分量——它会给那些只在少数文档里出现的词更高的权重，比如你的例子里"fake"如果只在这个文档出现，TF-IDF权重会比其他词高，这样计算出来的相似度会更精准，但核心的夹角计算逻辑是完全一致的，只是向量里的数值变了而已。

内容的提问来源于stack exchange，提问作者unwound clock