数据读取与预处理: 输入为英文文本列表；统一小写、英文分词，去停用词。
特征表示: 用 TfidfVectorizer 将每条文本转为 TF-IDF 向量（默认 L2 归一化），降低常见词权重、提升区分性词权重。
相似度计算: 使用余弦相似度 $\text{cosine}(A,B)=\frac{A\cdot B}{\|A\|\,\|B\|}$ 衡量文本向量夹角，值域 [0,1]。
结果格式: 构造二维列表，元素为保留两位小数的字符串（如 '0.24'），对角线为 '1.00'。

P3574.第2题-文本相似度

1000ms

Difficulty: 6

所属公司 : 阿里

算法与标签>字符串

题目内容

实现一个基于 $TF-IDF$ 的文本相似度计算系统。具体要求如下:

1.读取输入的文本数据。

2.对文本数据进行预处理(例如分词、去停用词，大小写统一)

3.使用 TF-IDF 方法提取文本特征。

4.计算每对文本之间的余弦相似度。

输入为一个一维列表，包含若干英文文本数据。

输出为一个二维列表，表示每对文本之间的余弦相似度，保留两位小数，用字符串形式表示。具体格式见输出样例。

支持使用 $Python$ 中的 $numpy、scipy、pandas、scikit-learn$ 库。

输入

["I love this product","I LOVE this product","l love this ipad pro"]

输出

['1.00','1.00','0.24']
['1.00','1.00','0.24']
['0.24','0.24','1.00']

输入

预期输出（选填）