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