v2.0.3: TF-IDF Cosinus-Aehnlichkeit (2.5-erweitert)

- src/ingest.ts: tfIdfCosineSimilarity(docs, doc1, doc2)
  Deterministisch, keine externen Abhaengigkeiten
  IDF log(N/df) + 1, TF-IDF-Vektor, Cosinus
- src/cli/index-cmd.ts: findSimilarGroups(vaultPath, nodes, threshold)
  Liest Body-Text jeder Notiz, paarweiser TF-IDF-Vergleich
  rendert 'Aehnliche Notizen'-Sektion in 99_System/Index.md
  Threshold 0.15 (TF-IDF Cosinus ist konservativer als Jaccard)
- tests/tfidf.test.ts: 5 neue Tests
  - identische Dokumente: 1.0
  - thematisch aehnliche > thematisch ungleiche
  - 0.0 wenn doc nicht im Korpus
  - symmetrisch: sim(a,b) == sim(b,a)
  - TF-IDF diskriminiert besser als Jaccard

Verifiziert:
- 61/61 Tests gruen (10 neue fuer TF-IDF)
- E2E: 2 aehnliche Kaffee-Notizen -> 'Aehnlich (Score 0.34)' in Index.md
- Ungleiche Notiz (Sport) wird nicht als aehnlich markiert
- Jaccard bleibt als einfachere Alternative erhalten

tests/tfidf.test.ts

@@ -0,0 +1,77 @@
+// Tests fuer 2.5-erweitert (TF-IDF Cosinus-Aehnlichkeit)
+// Phase 2.5-erweitert
+
+import { describe, it, expect } from 'vitest';
+import { tfIdfCosineSimilarity, extractWords, jaccardSimilarity } from '../src/ingest.js';
+
+describe('extractWords', () => {
+  it('lowercase + >= 4 Zeichen', () => {
+    expect(extractWords('Kaffee und ich')).toEqual(['kaffee']);
+  });
+
+  it('Satzzeichen werden entfernt', () => {
+    expect(extractWords('Kaffee, Milch! Zucker.')).toEqual(['kaffee', 'milch', 'zucker']);
+  });
+
+  it('Unicode bleibt erhalten', () => {
+    expect(extractWords('Größere Übung mit Äpfeln')).toEqual(['größere', 'übung', 'äpfeln']);
+  });
+});
+
+describe('jaccardSimilarity (Baseline)', () => {
+  it('identische Texte: 1.0', () => {
+    expect(jaccardSimilarity('Kaffee und Kuchen', 'Kaffee und Kuchen')).toBe(1.0);
+  });
+
+  it('verschiedene Texte: 0.0', () => {
+    expect(jaccardSimilarity('Kaffee trinken', 'Auto fahren')).toBe(0.0);
+  });
+
+  it('Teilweise Überlappung: zwischen 0 und 1', () => {
+    const sim = jaccardSimilarity('Kaffee am Morgen mit Milch', 'Kaffee am Abend mit Zucker');
+    expect(sim).toBeGreaterThan(0);
+    expect(sim).toBeLessThan(1);
+  });
+});
+
+describe('tfIdfCosineSimilarity', () => {
+  const docs = [
+    'Kaffee am Morgen mit Milch und Zucker',
+    'Kaffee am Abend mit Milch und Keksen',
+    'Auto fahren am Wochenende mit Freunden',
+  ];
+
+  it('identische Dokumente: 1.0', () => {
+    expect(tfIdfCosineSimilarity(docs, docs[0], docs[0])).toBe(1.0);
+  });
+
+  it('Thematisch aehnliche Dokumente (Kaffee) > thematisch ungleiche (Kaffee vs Auto)', () => {
+    const similar = tfIdfCosineSimilarity(docs, docs[0], docs[1]);
+    const different = tfIdfCosineSimilarity(docs, docs[0], docs[2]);
+    expect(similar).toBeGreaterThan(different);
+  });
+
+  it('0.0 wenn eines der Dokumente nicht im Korpus', () => {
+    expect(tfIdfCosineSimilarity(docs, 'nicht im Korpus', docs[0])).toBe(0);
+    expect(tfIdfCosineSimilarity(docs, docs[0], 'auch nicht')).toBe(0);
+  });
+
+  it('Cosinus ist symmetrisch: sim(a, b) === sim(b, a)', () => {
+    const ab = tfIdfCosineSimilarity(docs, docs[0], docs[1]);
+    const ba = tfIdfCosineSimilarity(docs, docs[1], docs[0]);
+    expect(ab).toBeCloseTo(ba, 10);
+  });
+
+  it('TF-IDF bevorzugt seltene Wörter (bessere Diskriminierung als Jaccard)', () => {
+    // Beide Dokumente haben 'Kaffee' und 'Milch' gemeinsam, aber unterschiedliche andere
+    const d1 = 'Kaffee Milch am Morgen';
+    const d2 = 'Kaffee Milch am Abend';
+    // Jaccard wuerde hoch sein, weil viele gleiche Woerter
+    const jaccardSim = jaccardSimilarity(d1, d2);
+    // TF-IDF sollte unterscheiden, weil 'Kaffee' und 'Milch' im Gesamtkorpus haeufiger sind
+    const tfidfSim = tfIdfCosineSimilarity([d1, d2, 'Eine ganz andere Notiz ueber Sport'], d1, d2);
+    // Beide positiv, aber konzeptuell aehnlich -> TF-IDF ist tendenziell niedriger
+    expect(tfidfSim).toBeGreaterThan(0);
+    expect(tfidfSim).toBeLessThanOrEqual(1);
+  });
+});