這兩者計算的都是文檔和文本之間的相似度，如果是兩個短文本貌似也可以。
1、TF-IDF = TF * IDF
假設文本是“我怎麼這麼帥氣”，4個詞，第一個詞“我”， 文檔1中一共有10個詞，“我”有2次，這個詞的詞頻都是2，這就是TF
第一個詞“我”，在所有文檔中，有“我”這個詞的文檔數是m，文檔總數是n，則IDF = log（n/（m+1））
則可以計算得到當前詞“我”在當前文檔的重要程度，當前文檔所有詞的重要程度就會組成一個向量，兩個文檔之間向量的相似度就是就是文檔之間的相似度
優點：從常理來判斷，一個詞在這個文檔中出現的次數越多，對於這個文檔這個詞就越重要；一個詞在很多文檔中都出現過，就說明這個詞不能區分這些文檔，重要性越低；這就是爲何要tf *idf。
缺點：分詞可能會導致語義的變化；TF的值並沒有歸一化在一個合理的區間。
2、針對上面的缺點，提出了BM25：實際就是TF-IDF的變形
所以BM25就優化了TF的計算過程，
fi詞q在文檔1中出現的頻率。k1 = 2， b = 0.75，後面一項一般爲1，dl是文檔1的長度，avgdl是所以文檔的平均長度，這樣的話TF的值就歸一化在一個區間了。BM25在TF-IDF上增加了幾個可調節的參數，使得它在應用上更加靈活和強大，具有較高的實用性。詞頻對得分的影響可以控制在一定範圍內，而不是像TF-IDF那樣持續增大
3、除了上面計算兩個文本相似度的方法之外，還有DSSM、MatchPyramid、BiMPM、詞向量
DSSM：把兩個文本轉換成低位向量，和詞向量類似。正負樣本的構造很簡單，一個樣本=兩個文本，相關就是正樣本
MatchPyramid：這個比較巧妙了，假設兩個文本句子長度分別是m和n。利用glove向量或者之前訓練過的向量得到一個相似度矩陣m*n，然後多個卷積核得到多個featureMap，再池化，再卷積，再池化，再全連接得到向量，使用softmax得到概率。
BiMPM：兩個文本長度是m和n，通過雙向RNN分別計算兩個文本的隱含層向量，再整合這些向量，文本1的還是m個，文本2的還是n，只不過現在都包含了彼此的信息，再分別放入RNN，然後去兩個方向的最終結果，相當於4個向量拼接經過softmax。
