使用tf*idf实现对文档集合的检索

步骤：

1. 读取三篇文档1.txt,2.txt,3.txt，里边的内容分别为“this is php”,“this is html html”，“this is java”

2. 分词，并统计词频tf

3. 计算文档频率df

4. 计算每篇文档的特征向量

5. 计算搜索词与文档的夹角余弦值

<?php
    $_txts = array('1.txt','2.txt','3.txt');
    $_len = count($_txts);
    for ($i = 0;$i < $_len;$i++){
        $_contents[] = file_get_contents($_txts[$i]);   //读取内容
    }
            
    for ($i = 0;$i < $_len;$i++){
        //分词
        $_words[] = explode(' ',trim($_contents[$i])); 
        foreach ($_words[$i] as $_key=>$_value){
            $_value = trim($_value);
            $_value = preg_replace('/[.|,|(|)|-|;]/','',$_value);
            $_words[$i][$_key]=strtolower($_value);
                    
        }
        //统计文档所有词的长度,一般计算tf需要除以这个值，为了简便，本次试验省去这步
        //$_words_count[]=count($_words[$i]);
        //词频tf
        $_tf[] = array_count_values($_words[$i]);
        //去重
        $_words[$i]= array_unique($_words[$i]);
    }  
            
    //合并
    $_words_com = array_merge($_words[0],$_words[1],$_words[2]);
    //文档频率
    $_df = array_count_values($_words_com);
    //特征向量
    for ($i = 0;$i < $_len;$i++){
        //初始化，与文档频率的维度相同
        $_vsm[$i] = $_df;
        //把每个维度的值设置为0
        foreach($_vsm[$i] as $_key=>$_value){
            $_vsm[$i][$_key] = 0;
        }
        for ($j=0;$j<count($_words[$i]);$j++){
            if (in_array($_words[$i][$j],$_words_com)){
                $_vsm[$i][($_words[$i][$j])] = ($_tf[$i][($_words[$i][$j])])*(log($_len/$_df[($_words[$i][$j])]));
                        
            }  
        }
    }  
            
    for($i = 0;$i < count($_vsm); $i++){
        echo '第'.($i+1).'篇文档的特征向量: ('. implode(",",$_vsm[$i]).')<br/>';
    }
            
    //测试
    $_query = 'java';
    $_vsm_que = $_df;
    foreach($_vsm_que as $_key=>$_value){
        $_vsm_que[$_key] = 0;
    }
    if (in_array($_query,$_vsm_que)){
        $_vsm_que[$_query] = 1;
    }
            
    for ($i = 0; $i < count($_vsm); $i++){
        foreach($_vsm_que as $_key=>$_value){
            $_sim[$i] += ($_vsm[$i][$_key]) * ($_vsm_que[$_key]);
            $_w1 += pow($_vsm_que[$_key],2);
            $_w2 += pow($_vsm[$i][$_key],2);
        }
        //求夹角余弦值，相似度计算
        $_cos[$i] = $_sim[$i]/(sqrt($_w1)*sqrt($_w2));
        echo '<br/>';
        echo '第'.($i+1).'篇文档的相似度：'.$_cos[$i];
    }
            
    arsort($_cos);
    foreach($_cos as $_key=>$_value){
        echo '<br/><br/>';
        echo '最符合的结果为第'.($_key+1).'篇文档';
                
        break;
    }
?>

在浏览器运行的结果：

第1篇文档的特征向量: (0,0,1.09861228867,0,0)
第2篇文档的特征向量: (0,0,0,2.19722457734,0)
第3篇文档的特征向量: (0,0,0,0,1.09861228867)

第1篇文档的相似度：0
第2篇文档的相似度：0
第3篇文档的相似度：0.235702260396

最符合的结果为第3篇文档