每年六月都是毕业季。每个大学生不仅要参加论文答辩，还要提交高质量的论文。但是什么样的论文才算高质量呢？最基本的要求之一就是查重率不能超过30%(每个学校可能有不同的要求，有的是20%)。那么问题来了，知网下我们如何计算查重率？其实查重率最重要的是计算两篇文章的相似度。
文本相似度计算广泛应用于信息检索、数据挖掘、机器翻译、文档重复检测等领域。比如舆情控制，如果你开发了一个微博网站，并且已经将世界上所有的骂人句子收录到一个数据库中，那么当一个用户发微博的时候，会先和骂人句子的数据库进行比对，如果和里面的句子匹配，就不会把用户发出去。
至于TF-IDF算法，我在上一篇文章中介绍过，有需要可以看看。本文主要详细描述余弦相似度算法。
假设向量a和b的坐标分别为(x1，y1)、(x2，y2)。然后：
设向量A=(A1，A2，安)，B=(B1，Bn)。推广到多维，数学家已经为我们证明了，所以你只需要记住下面的公式：
简单来说，可以写成如下公式：
举一个具体的例子，让我们从这句话开始：
比起看电影，我更喜欢看电视。
句子B:我不喜欢看电视，也不喜欢看电影。
第一步：分词
句子a:我/喜欢/看/电视，但不/喜欢/看/电影。
句子B:我/不/喜欢/看/电视，还有/不/喜欢/看/电影。
第二步：列出所有单词
我，喜欢，看电视，电影，不，也是
第三步：计算词频
句子a:我1，喜欢2，看2，电视1，电影1，1号，也是0
我1，喜欢2，看2，电视1，电影1，不2，也1
第四步：写词频向量
句子a: [1，2，2，1，1，1，0]
句子b: [1，2，2，1，1，2，1]
第五步：计算余弦值
余弦值越接近1，夹角越接近0度，即两个向量越相似，称为余弦相似。
简单来说，上面计算的值，就是两句话相似度在90%左右，越接近1，越相似。灯塔
(编辑：部分内容来互联网)