使用基于词频和余弦相似度的算法可行。该算法将每个文档表示为一个向量，向量中每个元素表示一个单词在文档中出现的次数，然后使用余弦相似度计算两个文档向量之间的相似度。

示例代码如下：

import math

def term_frequency(term, document):
    """
    计算词项在文档中的词频
    """
    words = document.split()
    return words.count(term) / len(words)

def cosine_similarity(doc1, doc2):
    """
    计算两个文档之间的余弦相似度
    """
    # 获取文档中所有出现过的单词
    words = set(doc1.split() + doc2.split())

    # 计算向量
    v1 = [term_frequency(word, doc1) for word in words]
    v2 = [term_frequency(word, doc2) for word in words]

    # 计算余弦相似度
    dot_product = sum(x * y for x, y in zip(v1, v2))
    magnitude1 = math.sqrt(sum(x ** 2 for x in v1))
    magnitude2 = math.sqrt(sum(x ** 2 for x in v2))
    return dot_product / (magnitude1 * magnitude2)

# 示例
doc1 = 'This is a test document.'
doc2 = 'This is another test document.'
similarity = cosine_similarity(doc1, doc2)
print(similarity)

输出结果为 0.7906。