比较大型加权标签云集？

Question

我有成千上万的大型标签云数据集;我可以检索每个组的加权标签云用一个简单的选择/组语句（例如）

SELECT tag, COUNT(*) AS weight 
FROM tags 
WHERE set_id = $set_id 
GROUP BY tag 
ORDER BY COUNT(*) DESC 

我想知道的是 - 什么是比较加权标签云的最佳途径找到最相似的其他集合，以重量（出现的一组中的数字）考虑在内，甚至可能是计算比较分数，都在同一个有些effiecient声明？

我发现缺乏在网络上的话题质量文献，认为它一定程度上广泛有关，并试图抽象我的例子，以保持它的普遍适用。

Answer 1

首先，您需要对每个标签云进行标准化，就像您对矢量所做的那样，假设标签云是一个n维矢量，其中每个维度表示一个词并且其值代表该词的权重。

您可以通过计算每个云的norm（或大小）做到这一点，这是所有的权重的平方根平方：

m = sqrt(w1*w1 + w2*w2 + ... + wn*wn) 

那么你生成你的归一化的标签云通过将每个重量云的规范。

在这之后，你可以很容易地通过使用云之间的标量积计算类似，这仅仅是繁衍每对每一个部件，所有所有的人都在一起。例如：

v1 = { a: 0.12, b: 0.31; c: 0.17; e: 0.11 } 
v2 = { a: 0.21, b: 0.11; d: 0.08; e: 0.28 } 

similarity = v1.a*v2.a + v1.b*v1.b + 0 + 0 + v1.e*v2.e 

如果一个矢量具有的另一个不那么该特定的产品显然是0

这种相似性在范围内[0,1]标签，0表示不相关而1意味着平等。