Similitud coseno de textos

Esta calculadora convierte cada pasaje en un vector de frecuencias de palabras y mide el ángulo entre ambos. El resultado va de 0, cuando no comparten términos, a 1, cuando sus patrones apuntan en la misma dirección. También muestra recuentos, vocabulario, magnitudes, producto escalar y términos comunes mediante un cálculo determinista y verificable.

Convierta dos pasajes en vectores comparables

Pegue un pasaje en cada campo. La herramienta pasa ambos textos a minúsculas, extrae secuencias Unicode formadas por letras o números y conserva los apóstrofos internos de las palabras. La puntuación y los espacios no se convierten en dimensiones.

Cada término distinto de los dos pasajes forma una dimensión del vocabulario conjunto, mientras que su número de apariciones constituye la coordenada correspondiente. Por tanto, una palabra repetida tres veces aporta una frecuencia de tres, no una simple indicación de presencia. La salida incluye el recuento de tokens de cada texto, el tamaño del vocabulario combinado y una lista alfabética de los términos compartidos.

Estos datos permiten que usted examine qué elementos han contribuido al resultado. Las diferencias de mayúsculas no alteran la puntuación, pero sí lo hacen la ortografía, la flexión y la elección de palabras. No se aplican lematización, expansión de sinónimos, eliminación de palabras vacías ni interpretación semántica.

Interprete correctamente la puntuación

La similitud coseno divide el producto escalar de los vectores por el producto de sus magnitudes. El producto escalar aumenta cuando las mismas palabras aparecen en ambos pasajes, especialmente si sus frecuencias son elevadas. La normalización mediante las dos magnitudes hace que el resultado dependa menos de la longitud bruta que un simple recuento de palabras comunes.

Un valor de 1 indica que los vectores tienen la misma dirección: sus patrones relativos de uso coinciden, aunque un pasaje repita todas las palabras más veces. Un valor de 0 significa que no hay términos contados en común. Los valores intermedios representan solapamiento léxico parcial, pero no existe un umbral universal de similitud suficiente.

Establezca uno con ejemplos representativos de sus documentos y aplíquelo de forma coherente. El producto escalar y las magnitudes permiten verificar o reproducir el cálculo. Esta medida no demuestra autoría, copia, acuerdo factual ni equivalencia semántica.

Elija una comparación léxica transparente

Utilice esta métrica cuando necesite una referencia rápida, explicable y determinista del solapamiento de contenido. Resulta útil para enseñar modelos de espacio vectorial, comparar borradores que deberían conservar terminología, comprobar si descripciones breves cubren vocabulario parecido o incorporar una característica reproducible a un análisis mayor. Se diferencia de la distancia de edición, que se centra en cambios y orden de caracteres, y de la comparación por secuencias, que busca grupos contiguos de palabras.

También difiere de la similitud semántica basada en embeddings: esos modelos pueden reconocer ideas relacionadas expresadas con vocabulario distinto, mientras que esta herramienta solo premia coincidencias reales y patrones de frecuencia. Esta limitación aporta transparencia porque cada contribución se puede vincular con un término compartido. Revise la lista de coincidencias cuando una puntuación resulte sorprendente; las palabras funcionales frecuentes pueden elevarla aunque cambie el tema.

Si no deben contar, elimínelas de ambos textos antes de compararlos.