前几天做了个[微信找房机器人](https://zhuanlan.zhihu.com/p/23798922), 爬取豆瓣租房小组的时候发现很多伪装的中介帖，如下这种格式：
可月付 无中介 方庄地铁附近 芳城园一区单间出租
可月付 无中介 方庄地铁附近 芳城园一区主卧次卧出租
方庄地铁附近 芳城园一区次卧出租
豆瓣对于小组的帖子有个简单的过滤，如果标题完全一样，就会直接删除，所以中介们一般都会在标题改几个字，内容也会调整下顺序。其实对于这种问题，有简单的方案实现，比如下文介绍的余弦相似度。
关于余弦相似度的原理其实很简单，参考这篇文章[TF-IDF与余弦相似性的应用（二）：找出相似文章](http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html)
python 实现如下：
(一) 对文本分词
def cut_word(content):
tags = jieba.analyse.extract_tags(content, withWeight=True, topK=20)
return tags
这里用了 jieba , 分词什么的它太有用了
(二) 返回两个文本词频的多维向量
def merge_tag(tag1=None, tag2=None):
v1 = []
v2 = []
tag_dict1 = {i[0]: i[1] for i in tag1}
tag_dict2 = {i[0]: i[1] for i in tag2}
merged_tag = set(tag_dict1.keys()+tag_dict2.keys())
for i in merged_tag:
if i in tag_dict1:
v1.append(tag_dict1[i])
else:
v1.append(0)
if i in tag_dict2:
v2.append(tag_dict2[i])
else:
v2.append(0)
return v1, v2
(三) 计算余弦相似度
def dot_product(v1, v2):
return sum(a * b for a, b in zip(v1, v2))
def magnitude(vector):
return sqrt(dot_product(vector, vector))
def similarity(v1, v2):
'''计算余弦相似度
'''
return dot_product(v1, v2) / (magnitude(v1) * magnitude(v2) + .00000000001)
(四) 结果
我们取一些样本做例子，内容为标题+详情
# https://www.douban.com/group/topic/93410497/
content1 = u"""
可月付 无中介 方庄地铁附近 芳城园一区单间出租
我的房子在方庄地铁附近的芳城园一区，正规小区楼房，
三家合住，现出租一间主卧和一间带小阳台次卧，室内家电齐全，
冰箱，洗衣机等都有，可洗澡上网，做饭都可以，小区交通便利，四通八达，
希望入住的是附近正常上班的朋友
"""
# https://www.douban.com/group/topic/93410328/
content2 = u"""
可月付 无中介 方庄地铁附近 芳城园一区主卧次卧出租
我的房子在方庄地铁附近的芳城园一区，正规小区楼房，
三家合住，现出租一间主卧和一间带小阳台次卧，室内家电齐全，
冰箱，洗衣机等都有，可洗澡上网，做饭都可以，小区交通便利，四通八达，
希望入住的是附近正常上班的朋友
"""
# https://www.douban.com/group/topic/93410308/
content3 = u"""方庄地铁附近 芳城园一区次卧出租
我的房子在方庄地铁附近的芳城园一区，正规小区楼房，
三家合住，现出租一间主卧和一间带小阳台次卧，室内家电齐全，
冰箱，洗衣机等都有，可洗澡上网，做饭都可以，小区交通便利，四通八达，
希望入住的是附近正常上班的朋友
"""
# https://www.douban.com/group/topic/93381171/
content4 = u"""二环玉蜓桥旁下月27号后可入住二居
方庄方古园一区5号楼下月27日到期出租，
我是房主无中介费 ，新一年租6000元每月押一付三，主次卧可分开住。
距地铁5号线蒲黄榆站5分钟路程。房屋60平正向，另有看守固定车位。
测试结果如下， 越接近 1 则两者文章越相似
content1 和 content2 相似度为: 0.968802386285
content1 和 content3 相似度为: 0.926323584519
content2 和 content3 相似度为: 0.921885685549
content2 和 content4 相似度为: 0.174889264654
说明 content1 content2 content3 很可能是中介批量发的帖子
这次只是简单的研究下，如果要起到更好效果，就得有这些关键词的语料，然后加权重。
代码见 [cosine_similarity.py](https://gist.github.com/facert/097af928b50ef9946513c7a5b42ec5c2)
