单个word与整个word文件夹对比，选出相似度最高的，谢谢

年级倒数第二

大神，求个思路过着软件。拿到一个新合同，如何快速在原有合同文件夹中（30多个合同，后续不断增加）选出与新文档相似度最高的一个合同，求教

batmanbbs

我暂时能想到方法是：给合同文档分类或者添加多种关键词（可以使用excel或word表格汇总，或者填写到word文档本身的标记或备注），然后查找合适的类型（查找word文档的标记或者备注需要写代码）

过客fppt

我的思路很简单，就是比较当前文档与文件夹中每个文档的字符串相似度，相似度最高的选出来就可以，以下的结果是用AI得到的比较字符串的相似度的代码，还未经过验证

过客fppt

过客fppt 发表于 2024-9-13 16:31
我的思路很简单，就是比较当前文档与文件夹中每个文档的字符串相似度，相似度最高的选出来就可以，以下的结 ...

改进以下，将字符串中的回车去掉，会好一些

过客fppt

过客fppt 发表于 2024-9-13 16:41
改进以下，将字符串中的回车去掉，会好一些

上面的方法并不好，对比的是两段文本每个汉字出现的相似程度。更好的应该是对比这本中每个词的相似程度更好

在中文环境中，对比两段文本的相似程度，余弦相似度（Cosine Similarity） 和Word2Vec是两种较为适用的算法。
余弦相似度：这种方法通过计算两个文本向量之间的夹角余弦值来衡量它们的相似度。中文文本可以通过分词工具处理后，构建词频向量或TF-IDF向量，然后应用余弦相似度进行比较。这种方法简单有效，特别适合于文本分类、信息检索等场景。
Word2Vec：Word2Vec模型能够将每个词表示成一个向量，这些向量能较好地捕捉词语之间的语义关系。对于中文文本，可以使用预训练的Word2Vec模型（如腾讯的Word2Vec中文模型）将文本中的词转换为向量表示，然后通过计算向量之间的距离来度量文本相似度。Word2Vec对于包含语义相似比较的文本匹配较为有效。
Jaccard相似度在处理文本去重或关键词匹配时也有一定的应用，但它的主要缺点是没有考虑词语出现的频率，因此可能不如余弦相似度和Word2Vec在需要考虑词语权重和语义的场合表现得好。

编辑距离（Edit Distance） 适用于基于字符的相似度比较，但在中文环境中，由于词语较多，且上下文语义丰富，编辑距离可能不是最佳选择。

因此，在中文环境中，余弦相似度和Word2Vec通常被认为是更好的选择，具体取决于特定的应用场景和需求。

batmanbbs

过客fppt 发表于 2024-9-13 23:25
上面的方法并不好，对比的是两段文本每个汉字出现的相似程度。更好的应该是对比这本中每个词的相似程度更 ...

我平时用的是余弦相似度算法，但是win7上没有离线的分词功能，word自带的分词效果较差

过客fppt

batmanbbs 发表于 2024-9-15 00:05
我平时用的是余弦相似度算法，但是win7上没有离线的分词功能，word自带的分词效果较差

太厉害了，这个方法我感觉云里雾里的，好难懂