TF－IDF原理详解以及python实践

TF-IDF（termfrequency–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。

 

文本向量化存在的不足

将文本分词并向量化后，就可以得到词汇表中每个词在文本中形成的词向量，我们将下面5个短文本做了词频统计：

不考虑停用词，处理之后得到的词向量如下：

如果直接将统计词频后的13维特征做为文本分类的输入，会发现有一些问题。比如第五个个文本，我们发现"come","China"和“Travel”各出现1次，而“to“出现了两次。似乎看起来这个文本与”to“这个特征更关系紧密。但是实际上”to“是一个非常普遍的词，几乎所有的文本都会用到，因此虽然它的词频为2，但是重要性却比词频为1的"China"和“Travel”要低的多。如果向量化特征仅仅用词频表示就无法反应这一点，TF-IDF可以反映这一点。

 

TF-IDF原理概述

在一份给定的文件里，词频</