2006年7月20日 上午 10:12:00
發表者：吳軍，Google 研究員

餘弦定理和新聞的分類似乎是兩件八杆子打不著的事，但是它們確有緊密的聯絡。具體說，新聞的分類很大程度上依靠餘弦定理。

Google 的新聞是自動分類和整理的。所謂新聞的分類無非是要把相似的新聞放到一類中。計算機其實讀不懂新聞，它只能快速計算。這就要求我們設計一個演算法來算出任意兩篇新聞的相似性。為了做到這一點，我們需要想辦法用一組數字來描述一篇新聞。

我們來看看怎樣找一組數字，或者說一個向量來描述一篇新聞。回憶一下我們在“如何度量網頁相關性”一文中介紹的TF/IDF 的概念。對於一篇新聞中的所有實詞，我們可以計算出它們的單文字詞彙頻率/逆文字頻率值（TF/IDF)。不難想象，和新聞主題有關的那些實詞頻率高，TF/IDF 值很大。我們按照這些實詞在詞彙表的位置對它們的 TF/IDF 值排序。比如，詞彙表有六萬四千個詞，分別為

1. 單詞編號漢字詞
2. ------------------
3. 1阿
4. 2啊
5. 3阿斗
6. 4阿姨
7. ...
8. 789服裝
9. ....
10. 64000做作

在一篇新聞中，這 64,000 個詞的 TF/IDF 值分別為

1. 單詞編號 TF/IDF 值
2. ==============
3. 10
4. 20.0034
5. 30
6. 40.00052
7. 50
8. ...
9. 7890.034
10. ...
11. 640000.075

如果單詞表中的某個次在新聞中沒有出現，對應的值為零，那麼這 64,000 個數，組成一個64,000維的向量。我們就用這個向量來代表這篇新聞，併成為新聞的特徵向量。如果兩篇新聞的特徵向量相近，則對應的新聞內容相似，它們應當歸在一類，反之亦然。

學過向量代數的人都知道，向量實際上是多維空間中有方向的線段。如果兩個向量的方向一致，即夾角接近零，那麼這兩個向量就相近。而要確定兩個向量方向是否一致，這就要用到餘弦定理計算向量的夾角了。

餘弦定理對我們每個人都不陌生，它描述了三角形中任何一個夾角和三個邊的關係，換句話說，給定三角形的三條邊，我們可以用餘弦定理求出三角形各個角的角度。假定三角形的三條邊為 a, b 和 c，對應的三個角為 A, B 和 C，那麼角 A 的餘弦 --

如果我們將三角形的兩邊 b 和 c 看成是兩個向量，那麼上述公式等價於

其中分母表示兩個向量 b 和 c 的長度，分子表示兩個向量的內積。舉一個具體的例子，假如新聞 X 和新聞 Y 對應向量分別是
x1,x2,...,x64000 和 y1,y2,...,y64000,
那麼它們夾角的餘弦等於，

當兩條新聞向量夾角的餘弦等於一時，這兩條新聞完全重複（用這個辦法可以刪除重複的網頁）；當夾角的餘弦接近於一時，兩條新聞相似，從而可以歸成一類；夾角的餘弦越小，兩條新聞越不相關。