判断文档相似性的传统方法是通过查看两个文档共同出现的词项（terms，不重复的words）有多少，如TF-IDF等。但这种方法没有考虑到文字背后的语义关联，可能在两个文档共同出现的词项很少甚至没有，但两个文档是相似的。
TF-IDF是Term Frequency - Inverse Document Frequency的缩写，即“词频-逆文本频率”。它由两部分组成，TF和IDF。前面的TF也就是我们前面说到的词频，我们之前做的向量化也就是做了文本中各个词的出现频率统计，并作为文本特征，这个很好理解。关键是后面的这个IDF，即“逆文本频率”如何理解。我们讲到几乎所有文本都会出现的"to"其词频虽然高，但是重要性却应该比词频低的"China"和“Travel”要低。我们的IDF就是来帮助我们来反应这个词的重要性的，进而修正仅仅用词频表示的词特征值。概括来讲， IDF反应了一个词在所有文本中出现的频率，如果一个词在很多的文本中出现，那么它的IDF值应该低，比如上文中的“to”。而反过来如果一个词在比较少的文本中出现，那么它的IDF值应该高。比如一些专业的名词如“Machine Learning”。这样的词IDF值应该高。一个极端的情况，如果一个词在所有的文本中都出现，那么它的IDF值应该为0。
主题模型 Topic Model
主题模型是用来在大量文档中发现潜在主题的一种统计模型。
如果一篇文章有一个中心思想，那么一些特定词语会出现的比较频繁；真实情况下，一个文档中通常包含多个主题，而且每个主题所占的比例各不相同，则与各个主题相关的关键字出现的次数与主题之间的比例有关。主题模型能够自动分析文档（document），不计顺序地统计文档内的单词（word），根据统计的信息判断该文档包含的主题（topic）以及各个主题所占比例。
主题模型是一种生成式有向图模型，主题模型中文档是由主题组成的，而主题是单词的一个概率分布；即每个单词都是通过“文档以一定的概率选择某个主题，再从这个主题中以一定的概率选择某个单词”这样一个过程得到的。
主题模型克服了传统信息检索中文档相似度计算方法的缺点，并能够在海量数据中找出文字间的语义主题，在自然语言处理、信息检索等领域有广泛的应用。
LDA
Linear Discriminate Analysis 线性判别分析
LDA 是一种文档主题生成模型， 是一个三层贝叶斯概率模型。
所谓生成模型：我们认为， 一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布，主题到词服从多项式分布。
-
LDA是一种可作为特征抽取的技术
-
可以提高数据分析过程中的计算效率
- 对于不适用与正则化的模型，可以降低因维度灾难带来的过拟合
LDA分类原理
同一主题下，某个词出现的概率，以及同一文档下，某个主题出现的概率，两个概率的乘积，可以得到某篇文档出现某个词的概率，我们在训练的时候，调整这两个分布就可以了。
由此可以定义LDA的生成过程：
- 对每篇文档，在主题分布中抽取一个主题；
- 对抽到的主题所对应的单词分布中随机抽取一个单词；
- 重复上述过程直至遍历整篇文档中的每个单词
经过以上三步，就可以看一下两个分布的乘积，是否符合给定文章的分布，以此来调整。
实践：https://blog.csdn.net/qq_39422642/article/details/78730662