自然语言处理方法---TF-IDF

最近闲来无事，做了小小的项目，主要工作有：

1、爬取历年政府工作报告

2、统计词频，并计算TF-IDF值

3、可视化输出，并分析结果

PS:以上都是基于python实现，需要源码请联系（其实很简单。。）

成果如图所示：

其中，关于计算TF-IDF是自然语言处理（NLP）中比较常见的方法，今天来介绍一下此方法。

概念

     TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜寻引擎应用，作为文件与用户查询之间相关程度的度量或评级。除了TF-IDF以外，因特网上的搜寻引擎还会使用基于连结分析的评级方法，以确定文件在搜寻结果中出现的顺序。

　　

原理

      在一份给定的文件里，词频 (term frequency, TF) 指的是某一个给定的词语在该文件中出现的次数。这个数字通常会被归一化（分子一般小于分母 区别于IDF），以防止它偏向长的文件。（同一个词语在长文件里可能会比短文件有更高的词频，而不管该词语重要与否