TF-IDF与余弦相似度

在文本处理中,经常用到TF-IDF,其英文是Term Frequency - Inverse Document Frequency,词频-逆文档频率。
作用是提取文档的关键词,思路是文档的出现最多的词,乘以逆文档作为权重的结果。
然后按照数值进行排序,就能得到文档的关键词从高到低的顺序。
基于每篇的词频向量,计算余弦相似度,就等得到文件之间的相似度。
从而完成相似文章推荐,相似文章添加评论。

TF-IDF基本步骤:
1、统计词频,标准化处理(考虑文章字数长短不一)。
2、计算逆文档频率,需要参考语料库,词频越常见,逆文档频率越接近于0.
3、计算TF-IDF,排序。得到文档的关键词向量组合。

有了上述关键词向量组合,除了计算文章相似度,还可以用于信息检索。
在用户输入检索信息时,对每篇文档计算搜索值词的TF-IDF值(对每个检索词TF-IDF值相加),得到整个文档的TF-IDF,然后排序,取最大值TF-IDF即为最匹配搜索词的文档。

特点:TF-IDF计算词频,速度快,对于大多数情况效果都很好。缺点是没有考虑词出现的位置,没有词的权重,各个词的权重与位置信息无关。比如,可能一段的开头句中,词的重要性高,这是另外需要考虑的问题。

余弦相似度:
1、通过TF-IDF得到文档的词频向量。
2、通过余弦公司求相似度。
这里写图片描述

参考文章
1、http://www.ruanyifeng.com/blog/2013/03/tf-idf.html
2、http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html
3、http://www.ruanyifeng.com/blog/2015/07/monte-carlo-method.html(关于蒙特卡洛的入门介绍)

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值