昨天大致把思路理清楚了，用one-hot的方式把关键词按字拆开编码，今天尝试可行性。
目前主流的文本向量化方式主要包括one-hot、tf (term-frequency)和tf-idf (term frequency–inverse document frequency)这三种，越往后准确度应该越高。
我的需求比较简单，只有一百多个相对较短的关键词，所以先用one-hot方式向量化，把整个流程跑通，再回来测试准确度的区别。
分词的话可以用python的jieba包，因为词语比较短，所以也先不分词了，按字拆分。
一百多个词拆下来一共200多个关键字，感觉也还ok。
思路的验证是在Excel中做的，毕竟数据量小，看起来也方便。
流程是：先用vba把词拆成字（用Excel公式也可以完成）；用vba的字典功能把字去重放到首行；然后用countif公式得出one-hot编码。
后面遇到新词之后计算新词的编码，对比两个向量就可以计算相似度了。
向量的相似度用 余弦相似度 方法，不赘述，具体解释可以百度，公式如下。
找了一段用numpy计算余弦相似度的代码，进行测试。
import numpy as np
def cos_sim(vector_a, vector_b):
"""
计算两个向量之间的余弦相似度
:param vector_a: 向量 a
:param vector_b: 向量 b
:return: sim
"""
vector_a = np.mat(vector_a)
vector_b = np.mat(vector_b)
num = float(vector_a * vector_b.T)
denom = np.linalg.norm(vector_a) * np.linalg.norm(vector_b)
sim = num / denom
return sim
print( cos_sim(np.array([[1, 1, 1,1,1,1,1,1]]),np.array([[1, 2, 1,1,1,1,1,1]])) )
成功计算出这两个测试向量的相似度
目前整个计算流程基本算是跑通了，接下来就是用C#实现以上功能。