1
我有受控词汇表的列表，例如term1，term2，termN ..文档可能有一个或多个受控词汇表，但每个词汇表对于每个文档只能出现一次。基于受控词汇表的文档的相似性度量
假设总控制词汇表为Term1，Term2，Term3，Term4，Term5，Term6。
- 文件1（4分计）：字词1，TERM2，term5，term6
- 文档2（2分换算）：TERM2，term5
选项1： 该捷卡的方法着眼于两个数据设置并找到两个值均等于1的事件。因此，我可以将文档的受控项（术语1-6）的存在转换为二进制向量1,0。然后，计算基于的Jaccard（http://docs.scipy.org/doc/scipy-0.17.0/reference/generated/scipy.spatial.distance.jaccard.html）
- 文档1的相似性：{1,1,0,0,1,1}
- 文档2：{0,1,0,0,1,0}
选择2 - 在http://brandonrose.org/clustering
在这些选项中（或者其他相似性度量），其措施是合适的基于受控词汇表来计算文档之间的相似性使用基于TF-IDF余弦相似度作为？我是数据挖掘新手，任何建议将不胜感激。