基于TF-IDF的关键词提取
TF-IDF:Term frequency–inverse document frequency
TF-IDF方法通过计算单文本词频(Term Frequency, TF)和逆文本频率指数(Inverse Document Frequency, IDF)得到词语权重,按照权重排序,输出关键字
原理:
TF:如果某个单词在这段文字中出现频率越高,TF越大,说明这个单词对于这段文字越重要
IDF:如果包含词条t的文档越少,也就是n越小,IDF越大,则说明词条t具有很好的类别区分能力
如果某个词出现的频率很高(TF越大),并且在其他文章中很少出现(IDF越大),即TF*IDF越大,则认为这个词适合用来分类,也适合用来当作关键字
python实现
jieba.analyse.extract_tags(string,topK=20,withWeight=True,allowPOS=(" "))
string:待处理语句
topK:返回TF、IDF权重最大的关键字的个数,默认20
withWeight:是否返回权重值,默认false
allowPOS:是否仅返回指定类型,默认为空
import jieba
import jieba.analyse
sentence = "本科及以上学历,计算机、数学等相关专业重点学校在校生(硕士为佳)-