Calculadora de Similitud Coseno en Texto

¿Qué es la Similitud Coseno en Texto y cómo funciona el Modelo de Espacio Vectorial (VSM)?

La Similitud Coseno en Texto es una de las métricas matemáticas y estadísticas más potentes y ampliamente utilizadas en el campo de la recuperación de información (Information Retrieval), el procesamiento de lenguaje natural (PLN o NLP) y los algoritmos de búsqueda y recomendación. Se fundamenta en el Modelo de Espacio Vectorial (Vector Space Model - VSM) de Gerard Salton, donde cada documento textual se representa algebraicamente como un vector numérico $\mathbf{u}$ en un espacio euclidiano multidimensional, donde cada dimensión corresponde a una palabra o término del vocabulario global.

En lugar de medir la distancia euclidiana física entre los extremos de los vectores (la cual se ve severamente distorsionada si un texto tiene 50 palabras y otro tiene 5.000 palabras), la similitud coseno calcula el coseno del ángulo $\theta$ formado entre ambos vectores. Dado que todos los componentes de frecuencia de términos son no negativos ($f \ge 0$), el valor de la similitud oscila estrictamente entre $0.0$ (o 0%, vectores ortogonales a $90^\circ$ sin términos en común) y $1.0$ (o 100%, vectores colineales a $0^\circ$ con idéntica proporción léxica).

Nuestra Calculadora de Similitud Coseno en Texto soporta múltiples esquemas de ponderación: Frecuencia Simple (Raw TF), Escala Logarítmica ($\log(1 + tf)$) y Ponderación Binaria. Ofrece visualización gráfica interactiva del ángulo vectorial $\theta$, desglose de coordenadas por término y cálculo de la distancia coseno ($1 - \cos\theta$) y la similitud angular ($1 - 2\theta/\pi$). Puedes complementar tu análisis con la Calculadora de Similitud Jaccard o el Verificador de Similitud entre Dos Textos.

Fórmula Matemática del Producto Escalar y la Similitud Coseno

Dados dos documentos representados por los vectores de pesos $\mathbf{u} = (u_1, u_2, \dots, u_N)$ y $\mathbf{v} = (v_1, v_2, \dots, v_N)$ sobre un vocabulario de $N$ términos únicos, la similitud coseno $\cos(\theta)$ se calcula formalmente como:

Donde:

• $\mathbf{u} \cdot \mathbf{v} = \sum_{i=1}^N u_i v_i$: Es el producto escalar (dot product) de los dos vectores, que suma las contribuciones de los términos compartidos.
• $\|\mathbf{u}\|_2 = \sqrt{\sum u_i^2}$ y $\|\mathbf{v}\|_2 = \sqrt{\sum v_i^2}$ : Son las normas euclidianas (longitudes vectoriales $L_2$) de cada documento, las cuales normalizan el resultado neutralizando el efecto de la longitud del texto.
• Ángulo Vectorial ($\theta$): Se deduce directamente como $\theta = \arccos(\text{similitud})$. Si $\theta = 0^\circ$, la orientación es idéntica ($\cos 0^\circ = 1$); si $\theta = 90^\circ$, son totalmente disjuntos ($\cos 90^\circ = 0$).
• Distancia Coseno: $d_{\cos}(\mathbf{u}, \mathbf{v}) = 1 - \cos(\theta)$.
• Similitud Angular: $S_{\text{angular}} = 1 - \frac{2\theta}{\pi}$, métrica formal que respeta la desigualdad triangular.

Ejemplo de Cálculo Numérico Detallado

Comparativa: Similitud Coseno frente a Distancia Euclidiana y Jaccard

Preguntas Frecuentes (FAQ)