对比文章相似度的余弦相似度算法的原理

        近期不是项目遇到对比代码的相似度，来判断代码是否存在抄袭嘛。通过研究采用了余弦相似度来对比。既然接触的一个新的东西，怎么也得研究下吧。

 一、什么是余弦相似度

        利用余弦相似度对比文章相似度的原理，主要基于向量空间模型，通过计算文本向量之间的夹角余弦值来评估内容相似性。

二、数学原理

        余弦相似度通过向量夹角衡量两个非零向量的相似程度，计算公式为：

• 分子（点积）：反映两个向量在相同维度上的乘积之和，方向一致时值最大。
• 分母（模长乘积）：标准化处理，消除向量长度对结果的影响，仅保留方向差异。

当余弦值接近 1，表示两向量方向高度一致（文本高度相似）；接近 0 表示无关；接近 -1 表示方向相反（极少出现在文本场景）

 三、文本向量化方法

1. 词频向量（TF）