TFIDF关键词提取简介

TFIDF原理

对于若干个文章的集合,我们要提取每篇文章具有代表性的关键词,我们应该怎么做呢?

最直观也是最容易想到的方法,就是统计每个词汇在文章中出现的频率TF(term frequency),频率高的就是具有代表性的词汇。TF的计算方法如下:

                                                           

另外一点,举个例子,我们有三类文章A,B,C,首先这3篇文章都有一个高频率词汇“中国”(而且是频率最高的词汇),其次,A文章第二高频词汇为“体育”,B“艺术”,C“音乐”;请问,你觉得“中国”可以作为ABC任意一片文章最具有代表性的词汇吗?明显不可以。所以,除了考虑词汇的频率之外,还需考虑词汇在其他文档当中出现的概率,我们通常认为:如果一个词汇在某篇文章中出现了,而在其他文章中没有出现,则该词汇更偏向于是该文章的关键词。我们用一下公式来衡量:

                                                

综合考虑以上两个关键词要素,我们可以得到TFIDF的计算公式:

                                                  

参考文献:

[1] tfidf - wiki

[2] TF-IDF与余弦相似性的应用(一):自动提取关键词

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