Similitud de textos con TF-IDF
DisponibleCompara dos textos y observa su representación vectorial y su similitud del coseno.
Descripción
Qué haceConvierte cada texto en una lista de números que le da más peso a las palabras frecuentes en ese texto pero raras en el resto de los documentos.
Para qué sirveComparar o buscar documentos por similitud de contenido (buscadores, deduplicación, recomendaciones de artículos) sin necesitar un modelo de lenguaje entrenado.
Representa cada texto como un vector de pesos por palabra y compara vectores por similitud del coseno. Pipeline léxico, determinista, sin modelos ni embeddings.
Tokenización, TF, IDF y similitud
Tokenización
Normaliza (Unicode NFC, minúsculas) y extrae secuencias de letras y números.
TF
conteo / tokens del documento
Qué proporción del documento es esa palabra.
IDF
ln((1+N) / (1+df)) + 1
Cuán rara es la palabra en el corpus. Nunca llega a 0 ni a infinito.
Similitud del coseno
TF-IDF · TF-IDF / (‖a‖ ‖b‖)
Ángulo entre vectores: 1 si son iguales, 0 si no comparten términos.
Intencional:No hay stemming, lematización ni stopwords: cada token cuenta como se escribió (ver «Coincidencia léxica frente a significado»).
Qué muestra cada tabla
Vector de la consulta
Términos de la consulta presentes en el vocabulario, con conteo, TF, IDF y peso.
Ranking y términos compartidos
Documentos ordenados por similitud descendente; los términos compartidos explican qué mide ese número.
Léxico frente a significado
Solo compara palabras exactas
Sinónimos («médico» → «doctora») no comparten término, aunque describan lo mismo — ver el ejemplo dedicado.
Sin embeddings
Un modelo de embeddings sí acercaría esos sinónimos; esta demo no los implementa.
A cambio: transparencia
Cada número es trazable a un conteo de palabras, barato de calcular, ideal para búsqueda por palabra clave.
Playground
27 / 200 caracteres. La consulta se guarda en la URL para que el enlace sea compartible: no escribas información sensible aquí.
Vector de la consulta (TF, IDF y peso por término)
| Término | Conteo | TF | IDF | Peso TF-IDF |
|---|---|---|---|---|
| con | 1 | 0.200 | 1.693 | 0.339 |
| huevos | 1 | 0.200 | 1.693 | 0.339 |
| patatas | 1 | 0.200 | 1.693 | 0.339 |
| receta | 1 | 0.200 | 1.693 | 0.339 |
| y | 1 | 0.200 | 1.288 | 0.258 |
Ranking por similitud del coseno
| # | Documento | Similitud | Términos compartidos |
|---|---|---|---|
| 1 | Doc. 1: Cómo preparar una tortilla de patatas: se necesitan patatas, huevos, cebolla y a… | 0.418 | patatashuevosy |
| 2 | Doc. 2: Receta de gazpacho andaluz con tomate, pepino, pimiento, ajo y pan del día anter… | 0.335 | conrecetay |
| 3 | Doc. 3: El motor de combustión interna convierte energía térmica en energía mecánica med… | 0.000 | ninguno |
Resumen del corpus
- Documentos
- 3
- Tamaño del vocabulario
- 36
- Similitud máxima
- 0.418
Documento 1.
Vocabulario (36 términos)
Texto, tokens y pesos por documento
Documento 1
Cómo preparar una tortilla de patatas: se necesitan patatas, huevos, cebolla y aceite de oliva.
cómoprepararunatortilladepatatassenecesitanpatatashuevoscebollayaceitedeolivaTérminos del documento 1 con su conteo, TF, IDF y peso TF-IDF. Término Conteo TF IDF Peso TF-IDF patatas 2 0.133 1.693 0.226 de 2 0.133 1.000 0.133 aceite 1 0.067 1.693 0.113 cebolla 1 0.067 1.693 0.113 cómo 1 0.067 1.693 0.113 huevos 1 0.067 1.693 0.113 necesitan 1 0.067 1.693 0.113 oliva 1 0.067 1.693 0.113 Documento 2
Receta de gazpacho andaluz con tomate, pepino, pimiento, ajo y pan del día anterior.
recetadegazpachoandaluzcontomatepepinopimientoajoypandeldíaanteriorTérminos del documento 2 con su conteo, TF, IDF y peso TF-IDF. Término Conteo TF IDF Peso TF-IDF ajo 1 0.071 1.693 0.121 andaluz 1 0.071 1.693 0.121 anterior 1 0.071 1.693 0.121 con 1 0.071 1.693 0.121 del 1 0.071 1.693 0.121 día 1 0.071 1.693 0.121 gazpacho 1 0.071 1.693 0.121 pan 1 0.071 1.693 0.121 Documento 3
El motor de combustión interna convierte energía térmica en energía mecánica mediante pistones.
elmotordecombustióninternaconvierteenergíatérmicaenenergíamecánicamediantepistonesTérminos del documento 3 con su conteo, TF, IDF y peso TF-IDF. Término Conteo TF IDF Peso TF-IDF energía 2 0.154 1.693 0.260 combustión 1 0.077 1.693 0.130 convierte 1 0.077 1.693 0.130 el 1 0.077 1.693 0.130 en 1 0.077 1.693 0.130 interna 1 0.077 1.693 0.130 mecánica 1 0.077 1.693 0.130 mediante 1 0.077 1.693 0.130
Ejemplos en español
Cada ejemplo reemplaza la consulta y los documentos actuales por una colección completa y su consulta de partida.
Editar documentos
3 / 6 documentos.
95 / 240 caracteres
84 / 240 caracteres
95 / 240 caracteres
Atajo: Ctrl/Cmd+Z deshace la última edición confirmada (si el foco no está en un campo de texto).