这两者计算的都是文档和文本之间的相似度，如果是两个短文本貌似也可以。
1、TF-IDF = TF * IDF
假设文本是“我怎么这么帅气”，4个词，第一个词“我”， 文档1中一共有10个词，“我”有2次，这个词的词频都是2，这就是TF
第一个词“我”，在所有文档中，有“我”这个词的文档数是m，文档总数是n，则IDF = log（n/（m+1））
则可以计算得到当前词“我”在当前文档的重要程度，当前文档所有词的重要程度就会组成一个向量，两个文档之间向量的相似度就是就是文档之间的相似度
优点：从常理来判断，一个词在这个文档中出现的次数越多，对于这个文档这个词就越重要；一个词在很多文档中都出现过，就说明这个词不能区分这些文档，重要性越低；这就是为何要tf *idf。
缺点：分词可能会导致语义的变化；TF的值并没有归一化在一个合理的区间。
2、针对上面的缺点，提出了BM25：实际就是TF-IDF的变形
所以BM25就优化了TF的计算过程，
fi词q在文档1中出现的频率。k1 = 2， b = 0.75，后面一项一般为1，dl是文档1的长度，avgdl是所以文档的平均长度，这样的话TF的值就归一化在一个区间了。BM25在TF-IDF上增加了几个可调节的参数，使得它在应用上更加灵活和强大，具有较高的实用性。词频对得分的影响可以控制在一定范围内，而不是像TF-IDF那样持续增大
3、除了上面计算两个文本相似度的方法之外，还有DSSM、MatchPyramid、BiMPM、词向量
DSSM：把两个文本转换成低位向量，和词向量类似。正负样本的构造很简单，一个样本=两个文本，相关就是正样本
MatchPyramid：这个比较巧妙了，假设两个文本句子长度分别是m和n。利用glove向量或者之前训练过的向量得到一个相似度矩阵m*n，然后多个卷积核得到多个featureMap，再池化，再卷积，再池化，再全连接得到向量，使用softmax得到概率。
BiMPM：两个文本长度是m和n，通过双向RNN分别计算两个文本的隐含层向量，再整合这些向量，文本1的还是m个，文本2的还是n，只不过现在都包含了彼此的信息，再分别放入RNN，然后去两个方向的最终结果，相当于4个向量拼接经过softmax。
