TF-IDF算法

参考： http://www.cnblogs.com/biyeymyhjob/archive/2012/07/17/2595249.html

TF-IDF是一种统计方法，用以评估一字词对于 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应用： 自动提取关键词 http://www.ruanyifeng.com/blog/2013/03/tf-idf.html

TF-IDF与余弦相似性的应用：找出相似文章 http://www.ruanyifeng.com/blog/2013/03/cosine_similarity.html

词频 (TF) 是一词语出现的次数除以该文件的总词语数。假如一篇文件的总词语数是100个，而词语“母牛”出现了3次，那么“母牛”一词在该文件中的词频就是3/100=0.03。一个计算文件频率 (IDF) 的方法是测定有多少份文件出现过“母牛”一词，然后除以文件集里包含的文件总数。所以，如果“母牛”一词在1,000份文件出现过，而文件总数是10,000,000份的话，其逆向文件频率就是 log(10,000,000 / 1,000)=4。最后的TF-IDF的分数为0.03 * 4=0.12。

上述例子java代码实现： http://blog.youkuaiyun.com/petblue/article/details/45503909