文本嵌入相似度演示
输入一句查询文本和最多10条候选文本，用Jaccard、余弦（词袋）、简化TF-IDF三种词汇重叠算法计算相似度百分比并排序，用于演示相似度概念（非真实Embedding模型）。
免费在线工具
Loading…
使用说明
- 在“查询句子”文本框中输入一句要比较的文本。
- 在“候选句子”文本框中输入若干条候选文本，一行一个，最多支持10条（超过会自动截断）。
- 点击“计算相似度”，结果会按余弦相似度从高到低排序展示。
- 每条结果同时显示Jaccard、余弦、TF-IDF三种相似度分数（百分比），以及查询与该候选之间的匹配词高亮列表。
- 点击“加载示例数据”可以快速填入一句“人工智能”主题的查询句和8条候选句进行体验。
功能介绍
- 页面顶部明确提示：本工具使用词汇重叠法模拟相似度，不是调用神经网络生成的真实Embedding向量
- 中文按单字分词、英文/数字按连续字母数字串分词（长度需大于1）
- Jaccard相似度：计算查询与候选分词集合的交并比
- 余弦相似度：基于词频构建词袋向量后计算夹角余弦值
- 简化TF-IDF相似度：以候选文本集合为语料库计算逆文档频率，再计算TF-IDF向量的余弦相似度
- 自动列出查询与每条候选之间的共同出现词汇（匹配词高亮标签）
- 最多支持10条候选句子批量比较，结果按余弦相似度自动排序
使用场景
理解Embedding相似度计算的基本原理
在实际接入向量数据库或Embedding API之前，通过这个工具直观理解“文本相似度”是如何从词汇重叠被量化为一个百分比分数的。
对比不同相似度算法的差异
输入同一组查询和候选文本，观察Jaccard、余弦、TF-IDF三种算法给出的分数为何不同，理解各算法对词频、文档长度的敏感度差异。
RAG检索效果的教学演示
在给团队讲解检索增强生成(RAG)中“召回候选文档”环节时，用词汇重叠的简化模型直观展示排序逻辑，避免直接讲解神经网络细节。
快速筛查候选文本中的关键词覆盖情况
通过“匹配词”高亮功能，快速看出候选文本中哪些词与查询句重合，用于文案关键词检查或简单的文本查重初筛。
常见问题
这个工具是调用OpenAI或其他厂商的真实Embedding API计算相似度吗？
不是，页面顶部已明确提示，工具使用的是词汇重叠法（Jaccard/余弦/TF-IDF）在浏览器本地计算，没有调用任何真实的神经网络Embedding模型或联网请求。
为什么两句话语义很像但用词完全不同，这里的分数却很低？
因为工具基于表面词汇重叠计算，无法识别“语义相近但用词不同”的情况；真实Embedding模型通过神经网络学习语义表示，能捕捉到这种深层相似性，而本工具是刻意做的简化演示。
候选句子超过10条会怎样？
工具会自动截断为前10条并同步更新候选文本框的内容，超出部分不会参与计算。
中文和英文的分词方式一样吗？
不一样，中文按单个汉字切分为token，英文和数字按连续字母数字串切分（且长度需大于1个字符，单字母会被过滤）。
TF-IDF分数里的“逆文档频率”是基于什么语料计算的？
是以当前输入的所有候选句子（加上查询句）作为临时语料库统计词频，语料库仅在当次计算中有效，不会保留历史输入。