在 mahout 中计算余弦相似度

Question

为了找到两个文档之间的相似性，我打算采用 mahout 来执行这个任务。

该过程将包括：

1. 将文档转换为 tf-idf
2. 删除停用词（使搜索有效）
3. 运行余弦相似度
4. 给出相似度

我计划在 mahout 中实现这一点。我是 mahout 的初学者，有人可以帮我提供一些教程来执行此操作并告诉我这是否是计算文档之间相似度的有效方法

Answer 1

您不需要实现任何东西。使用 seqdirectory 和 seq2sparse 向量化您的数据。之后，您可以使用 RowSimilarityJob 计算成对余弦相似度。