已有文章内容、想给读者推荐相近文章时，可以先把每篇文本变成 TF-IDF 向量，再计算余弦相似度。这个方法适合做可解释的内容推荐起点：推荐理由来自共同词语，不依赖用户历史，也不等同于大模型语义理解。
准备最小文章集合
在 Python 3.13 环境安装 scikit-learn。下面四篇“文章”只有一行标题与摘要，是人为构造的中文演示数据。正式使用时应换成正文或有信息量的摘要，保留稳定文章 ID，不把标签页与重复版本一起当作不同文章。
python -m pip install scikit-learn建立向量，排除原文后排序
演示语料已用空格分词。设置 tokenizer=str.split 是为了让代码直接使用这些词，不代表真实中文文章无需分词。
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
ids = [101, 102, 103, 104]
texts = [
"机器学习 模型 训练 数据 分类",
"机器学习 模型 训练 验证 分类",
"视频 剪辑 字幕 时间轴",
"数据 标注 分类 标签 复核",
]
vectorizer = TfidfVectorizer(tokenizer=str.split, token_pattern=None)
X = vectorizer.fit_transform(texts)
query_row = 0
scores = cosine_similarity(X[query_row], X).ravel()
scores[query_row] = -np.inf
order = np.argsort(-scores)
recommendations = [(ids[i], round(float(scores[i]), 4))
for i in order if scores[i] > 0][:2]
print(recommendations)
assert all(article_id != ids[query_row] for article_id, _ in recommendations)怎样判断推荐有用
验证时先确认推荐结果不包含原文 101，再比较 102 与 103：102 共享模型训练分类等词，应该比没有共同词的 103 更相近。分数是文本向量夹角的度量，不是读者点击概率。
给十篇真实文章人工标记“相关文章”，检查 Top-2 是否包含这些文章；再检查页脚、栏目名和固定广告是否误导结果。若推荐主要由“官网、教程、点击”等通用词驱动，先移除模板文字、调整停用词，并固定词表版本，再比较同一批文章。
接入站点时保留哪些信息
下一步把演示列表换成有稳定 ID 的文章集合，保存向量器和 ID 顺序；新增文章用同一个向量器转换后再检索。若重新拟合词表，旧向量也要同步重算，不能把两套坐标直接混用。
本文示例只验证词面相似的计算流程，不证明真实站点的推荐效果。短标题、同义词、冷门领域和多语言内容容易失配；需要语义理解时，应另行用嵌入模型比较，而不是把余弦高分解释成必然相关。
资料与适用版本
以下官方资料核对于 2026 年 10 月 1 日；安装和界面以实际使用版本为准。
- sklearn.metrics.pairwise.cosine_similarity.html
- sklearn.feature_extraction.text.TfidfVectorizer.html
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/30195.html
