【文件属性】：
文件名称：DocSimilarityAlgorithm:基于Lucene、TF-IDF、余弦相似度的文本相似度算法
文件大小：1.8MB
文件格式：ZIP
更新时间：2021-04-29 03:52:12
Java
文本相似度算法
基于Lucene3.5版本、TF-IDF、余弦相似实现的文本相似度算法。
详细介绍《》
样本库提取
使用webmagic爬取华为应用市场应用的描述信息，当做样本。
在工程的conf/doc目录有1000多个应用样本。
具体代码实现在工程下面的AppStoreProcessor.java类
分词
在使用Lucene进行TF-IDF计算之前，需要先对长文本进行分词，选取的是jieba的java版本。