在上一篇我們了解，只要東西能轉成特徵向量，那不論用歐幾里德距離或餘弦相似度，都可以找出兩個東西間「有多像」！
今天來討論怎麼樣把電影資訊向量化。
但電影的資訊又不是表格，電影資訊要怎麼轉成特徵向量呢？

什麼可以代表那部電影？

觀察我從 Yahoo 電影抓來的些資料，有這幾個欄位：名稱、故事情節、卡司陣容、導演、分類（如：驚悚、劇情），我也只能夠用這些資料來判斷哪些電影是相似的或者不是。

不知道你們有沒有發現這些其實都是文字啊！

既然都是文字的話，用我們能不能用找出文章之間的相似性來找電影的相似性呢？

如果我把名稱、故事情節、卡司、導演、分類，一股腦接在一起，成一篇文章。電影的相似性問題，就會變成是電影相關的文字集結成的文章的相似性問題。

如果我們可以找到代表這篇文章的特徵的話，那若兩文章特徵相近，就代表兩文章是相似。

那什麼可以代表一篇文章呢？文章的特徵是什麼？

在日本每一年都會請大家票選最能夠代表了一年的字是什麼字，例如，2021年是金，因為拿了很多奧運金牌；2020年是，因為COVID-19在日本及全球範圍內傳播，讓很多人意識到「密」字（「避三『密』」，即避免密閉、密集、密切接觸）。2019年是「令」因為是令和元年。

我們可以學他們，用關鍵字群來代表一篇文章。若把每一篇文章用幾個關鍵字來代表，以後別人只要看到這一組關鍵字，就能夠知道說噢原來就是這篇文章啊。

例如，講到孫悟空、龜派氣功、天下第一武道會，這些關鍵字，這時候就會想到「七龍珠」。但是如果講到孫悟空、唐僧、金箍棒、蜘蛛精，這時就變成「西遊記」。

這裡會產生一個問題，什麼叫做關鍵字？要怎麼找？

關鍵字的選擇就有一個重點是，因為他要很能代表這篇文章，所以這個關鍵字的選取，就變得格外重要。

能代表一篇文章的關鍵字不會在太多文章裡面出現。也就是說如果我們給100篇文章，只有 3 篇文章會出現這個詞，他就很可能代表這篇文章，成為這篇文章的關鍵字了。

關鍵字群怎麼轉向量？

我們需要把電影資訊轉換成為維度統一的向量的方法。為什麼我們要把向量都做成同樣的維度呢？因為能代表文章的特徵向量是相同維度的話，他們才能夠比較，也才能用歐幾里得距離比長短，用餘弦相似度比大小。

如何把文章的關鍵字群轉成同維度的向量呢？

這時候我們就可以引入一個方式叫做 tf-idf 的指標。這個手法可以把文章裡的關鍵字的重要程度找出來。

它的這想法是這樣的，若給他100篇文章，他會把所有的字詞全部都掃描一遍，然後賦予的每一個字詞一個關鍵字的比重，之後我們就可以利用這個關鍵字的比重產生出來的向量，來代表這篇文章了。

這是一個非常經典的方式，但是簡單有用。那 tf-idf 要怎麼使用呢？這我們就明天再和大家解釋囉！