我的数据库中有用户，我想根据那里文章的内容进行匹配或分组。我似乎无法找到今天如何解决这种问题。任何建议都会有所帮助。
可用数据：
1）每个用户的帖子（他们写的任何东西，比如博客）。
2）每个帖子的标签（用户在创建帖子时为其提供的标签）
目标：
1) 根据可用数据匹配/分组用户。
2) 产生匹配百分比。
试图：
我根据他们标签的完全匹配数来匹配人。
示例：user1 拥有 [car,honda,sports]，user2 拥有 [car,food]。
这将给出 33% 的匹配。
正如您所想象的那样，这不是很好。大多数用户有 20 个标签，但即使他们在谈论类似的事情，通常也会得到 0% 的匹配百分比。
问题：
CAR 和 HONDA 等具有明确关系的标签不匹配。
问题：
如何根据标签或文章的内容匹配/分组用户？
一种方法是应用词嵌入进行语义相似性检查。word2vec 模型生成可以捕获语义相似性的特征向量。例如，最接近的向量car将是honda, ferrari, vehicle, bike。使用来自维基百科转储或谷歌发布的大量数据训练模型。它具有高质量的向量。Gensim有一个很好的 word2vec 实现
对于每篇博客文章，通过删除停用词和词干来预处理数据。从结果词中，收集更频繁的词。对所有文章执行此操作，并检查其他文章中的常用词之间的相似性。这样，一篇频繁词文章在频繁词car, race, tournament, ferrari, F1文章中的向量就会更接近bike, honda, racer。
或者其他方法是在标签本身中寻找相似的向量。玩一段时间是件好事，这样您就可以了解哪些功能更适合您拥有的数据集。