首先使用TF-IDF算法提取两篇文章的关键词，并合并成一个集合，
如关键词较多可使用堆取TOPK关键词。
然后计算每篇文章对于这个集合中的词的词频，即单词数/总词数，然后生成各自词频向量。
PHP计算相似度示例代码如下：
<?php
function similarity(array $vec1, array $vec2) {
return dotProduct($vec1, $vec2) / (absVector($vec1) * absVector($vec2));
}
function dotProduct(array $vec1, array $vec2) {
$result = 0;
foreach (array_keys($vec1) as $key1) {
foreach (array_keys($vec2) as $key2) {
if ($key1 === $key2) $result += $vec1[$key1] * $vec2[$key2];
}
}
return $result;
}
function absVector(array $vec) {
$result = 0;
foreach (array_values($vec) as $value) {
$result += $value * $value;
}
return sqrt($result);
}
//文章词频向量
$v1 = array('我们' => 5, '设计' => 2, '一个' => 1, '算法' =>0, '任意' => 0, '相似' => 1);
$v2 = array('我们' => 5, '设计' => 0, '一个' => 3, '算法' =>0, '任意' => 0, '相似' => 1);
//计算相似度，值越大相似程度越高
$result1 = similarity($v1,$v2);
var_dump($result1);参考：
http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html
标签：none
大哥，我觉得你的技术好牛逼！能加你QQ吗