假设我正在访问一个大学网页。那里有很多老师的简介。虽然这些页面在语法上不相关，但在语义上是相关的。我该如何衡量这种关系呢?实际上，我应该关注哪个参数来找到关系呢?
这篇文章回答了如何计算短语之间的语义相似度。在您的示例中，您只需要将不同的页面表示为文档并遵循相同的方法。
在你的情况下，你可以利用更多的信息，如页面或出版物之间的链接(在研究人员的情况下)。我希望这个链接能有所帮助……
这里有一个简单但非常好的算法:
当然，每个老师的页面，以及链接的页面，都包含了这个教授的语义特征。假设您创建了一组单词，这些单词由教授所在页面上的文本和链接页面上的文本拼接而成(您可以继续按照链接将文本拼接到任意深度)。
现在，你可以根据使用向量空间模型提取的信息对教授进行聚类:每个教授都由一个向量表示，该向量的组成部分是提取页面中包含的单词和与术语频率相关的值。余弦相似度将完成剩下的工作。