machine-learning - 文本内容相关性检查

Question

我需要检查特定网页上内容的相关性。我有几千个 网页来检查这一点。检查页面标题是否与页面内容相关的最佳方法是什么。

Answer 1

你的问题有点含糊，当你说:

What is the best way to check if the page title is relevant to the content on the page.

在您的问题背景下如何定义相关性？

我不知道这是否是您想要的，但我想到了几件事，本质上是比较两个文档的相似程度，一个文档是标题，另一个文档是描述。

您可以考虑为两者生成向量表示的方法，并比较它们的相似程度。

1. Jaccard 相似度使用标记作为两个集合(即文档)的元素
2. TF-IDF 加权向量并与余弦相似度进行比较
3. 计算每个文档的分布主题模型/LDA，并使用 Kullback-Leibler 散度进行比较
4. 将文档编码为某种密集向量(doc2vec，或通过 LSTM 读取它们并保留最后的状态)，然后比较两个向量。

唯一的考虑因素是标题的大小与网页内容相比非常小。