求教两组间的标签重合度计算，这个应该学习什么算法？

不懂算法，盲猜一个 pca （ Principal component analysis?

@lithiumii 好的我去看看

说 PCA 的拉出去 251...

最简单的应该是关键词 TF IDF + cosine similarity

直接每个 label 单独一维算 cosine 相似度吧

@how2code Google 第一个 https://stackoverflow.com/questions/12118720/python-tf-idf-cosine-to-find-document-similarity

@lithiumii 哈哈，我也是这么想的

看看 Jaccard Similarity 或 Overlap Coefficient 够不够用？

a = {'foo', 'bar', 'hello', 'world'}
b = {'foo', 'bar', 'hello', 'world', 'test'}
c = a.intersection(b)
d = a.union(b)
print('js(a, b)=', float(len(c))/float(len(d)))
print('oc(a, b)=', float(len(c))/float(min(len(a), len(b))))

将对象表示为多维特征向量，然后欧几里德距离搞定

如果仅仅是数人头的话，用统计学就能搞定
如果要考虑出现的位置上下文关系什么的，那就干脆把每个字节的 ASCII 码作为纵坐标，字节作为横坐标，形成一个波函数
然后对波形进行拟合，scipy 简直不要太好用了

document distance

#9 楼略靠谱，关键是相似度怎么量化比较～
虽然，我不懂算法。

猛的就想起 <集体智慧编程> 头两章来了... 欧式距离 皮尔逊相关度什么的... 实习的时候玩过这些, 后来发现还是余弦向量简单又实惠...

数据区分度大大并且量多话可以用 simhash, 比起其他需要保证输入向量大小相同的方法来说更灵活

先定义你想要的相似度是啥？
lst_a = ['皇上', '皇后', '大臣']
lst_b = ['国王', '王后', '大臣']

这俩列表的标签文本字符层面的重叠相似度只有一个签，但要考虑语义相似度可是三个签

@TimePPT 就是只需要文本字符层面的相似度，不考虑语义，标签是固定的

@TaihongZhang 那有啥纠结的，量不大，全部放在两个 set 里直接取个交集不就完了

楼主只是个初学者，你们都快把支持向量机搬出来了。。。
@TimePPT 的方法靠谱 python 里有个 set 的数据结构，支持 & 运算符求交集运算，如果不用加权直接计数就可以了

皮尔逊相关系数