「SEO大军」博主SEO大军从事8年SEO工作,有丰富的网站SEO优化实战经验,诚接网站SEO诊断、SEO顾问!
微信号:seodajun

首页 > SEO常见问题 / 正文

什么是TF-IDF,tf-idf计算公式?TF-ID算法F的详细解说!

TF-IDF计算公式 2019-05-25 10:10:37 微信号:seodajun SEO常见问题
微信号:seodajun

  任务一:现在有一篇长文《中国的蜜蜂养殖》,用计算机提取它的关键词。

  1、词频:如果某个词很重要,它应该在这篇文章中多次出现。我们进行"词频"(Term Frequency,缩写为TF)统计。

  2、停用词:结果你肯定猜到了,出现次数最多的词是----"的"、"是"、"在"----这一类最常用的词。它们叫做"停用词"(stop words),表示对找到结果毫无帮助、必须过滤掉的词。

  规则一:如果某个词比较少见,但是它在这篇文章中多次出现,那么它很可能就反映了这篇文章的特性,正是我们所需要的关键词。

  假设我们把它们都过滤掉了,只考虑剩下的有实际意义的词

  发现"中国"、"蜜蜂"、"养殖"这三个词的出现次数一样多

  因为"中国"是很常见的词,相对而言,"蜜蜂"和"养殖"不那么常见,"蜜蜂"和"养殖"的重要程度要大于"中国"

  3、IDF :最常见的词("的"、"是"、"在")给予最小的权重,

  较常见的词("中国")给予较小的权重,

  较少见的词("蜜蜂"、"养殖")给予较大的权重。

  这个权重叫做"逆文档频率"(Inverse Document Frequency,缩写为IDF),

  它的大小与一个词的常见程度成反比。

  4、TF-IDF:"词频"(TF)和"逆文档频率"(IDF)以后,两个值相乘,得到了一个词的TF-IDF值。

  某个词对文章的重要性越高,它的TF-IDF值就越大。

  所以,排在最前面的几个词,就是这篇文章的关键词。

  具体实现:

  1、计算词频

  词频(TF) = 某个词在文章中的出现次数

  文章有长短之分,为了便于不同文章的比较,做"词频"标准化。

  词频(TF) = 某个词在文章中的出现次数 / 文章总词数

  或者 词频(TF) = 某个词在文章中的出现次数 / 拥有最高词频的词的次数

  2、某个词在文章中的出现次数

  这时,需要一个语料库(corpus),用来模拟语言的使用环境。

  逆文档频率(IDF) = log(语料库的文档总数/包含该词的文档总数+1)

  3、计算TF-IDF

  TF-IDF = 词频(TF) * 逆文档频率(IDF)

  可以看到,TF-IDF与一个词在文档中的出现次数成正比,与该词在整个语言中的出现次数成反比。

  所以,自动提取关键词的算法就是计算出文档的每个词的TF-IDF值,

  然后按降序排列,取排在最前面的几个词。

  

什么是TF-IDF

 

  从上表可见,"蜜蜂"的TF-IDF值最高,"养殖"其次,"中国"最低。(如果还计算"的"字的TF-IDF,那将是一个极其接近0的值。)

  所以,如果只选择一个词,"蜜蜂"就是这篇文章的关键词。

  总结:

  TF-IDF算法的优点是简单快速,结果比较符合实际情况。

  缺点是,单纯以"词频"衡量一个词的重要性,不够全面,有时重要的词可能出现次数并不多。

  而且,这种算法无法体现词的位置信息,出现位置靠前的词与出现位置靠后的词,都被视为重要性相同,这是不正确的。

  (一种解决方法是,对全文的第一段和每一段的第一句话,给予较大的权重。)

  任务二:TF-IDF与与余弦相似的应用:找相似文章

  除了找到关键词,还希望找到与原文章相似的其他文章

  需要用到余弦相似性:

  句子A:我喜欢看电视,不喜欢看电影

  句子B:我不喜欢看电视,也不喜欢看电影

  基本思路是:如果这两句话的用词越相似,它们的内容就应该越相似。

  因此,可以从词频入手,计算它们的相似程度。

  1、分词

  句子A:我/喜欢/看/电视,不/喜欢/看/电影。

  句子B:我/不/喜欢/看/电视,也/不/喜欢/看/电影。

  2、列出所有值

  我,喜欢,看,电视,电影,不,也。

  3、计算词频

  句子A:我 1,喜欢 2,看 2,电视 1,电影 1,不 1,也 0。

  句子B:我 1,喜欢 2,看 2,电视 1,电影 1,不 2,也 1

  4、写出词频向量。

  句子A:[1, 2, 2, 1, 1, 1, 0]

  句子B:[1, 2, 2, 1, 1, 2, 1]

  我们可以通过夹角的大小,来判断向量的相似程度。夹角越小,就代表越相似。

  假定a向量是[x1, y1],b向量是[x2, y2],那么可以将余弦定理改写成下面的形式

  

TF-IDF计算公式

 

  结论:

  我们就得到了"找出相似文章"的一种算法:

  使用TF-IDF算法,找出两篇文章的关键词

  每篇文章各取出若干个关键词(比如20个),合并成一个集合,计算每篇文章对于这个集合中的词的词频(为了避免文章长度的差异,可以使用相对词频);

  生成两篇文章各自的词频向量

  计算两个向量的余弦相似度,值越大就表示越相似

  计算两个向量的余弦相似度,值越大就表示越相似

  任务三:如何通过词频,对文章进行自动摘要

  信息都包含在句子中,有些句子包含的信息多,有些句子包含的信息少。

  "自动摘要"就是要找出那些包含信息最多的句子。

  句子的信息量用"关键词"来衡量。如果包含的关键词越多,就说明这个句子越重要。

  Luhn提出用"簇"(cluster)表示关键词的聚集。所谓"簇"就是包含多个关键词的句子片段。

  

TF-IDF算法

 

  只要关键词之间的距离小于"门槛值",它们就被认为处于同一个簇之中。Luhn建议的门槛值是4或5。

  也就是说,如果两个关键词之间有5个以上的其他词,就可以把这两个关键词分在两个簇。

  簇的重要性 = (包含的关键词数量)^2 / 簇的长度

  其中的簇一共有7个词,其中4个是关键词。因此,它的重要性分值等于 ( 4 x 4 ) / 7 = 2.3。

大军SEO,8年来一直专注SEO技术研究,营销型网站建设,热爱SEO,希望能和大家多多交流共同学习,目前主要为企业和个人提供网站优化,关键词排名等服务,属于全职个人站长,凡是跟大军合作的每家企业/个人都是认真负责,做好网站每个细节,如有SEO/网络营销技术问题的朋友可以。

本页核心:TF-IDF,介绍,是什么

Tags:

声明:
1.本站遵循行业规范,任何转载的稿件都会明确标注作者和来源,如注作有误请联系我更改;
2.本站的原创文章,请转载时务必注明文章作者和来源,不尊重原创的行为我们将追究责任;
3.欢迎您对本文《什么是TF-IDF,tf-idf计算公式?TF-ID算法F的详细解说!》做点评,本页面网址:http://www.seodajun.com/seowentijieda/1438.html。

微信号:seodajun
SEO常见问题
了解更多TF-IDF,介绍,是什么,请在查看本站栏目对应内容进行参阅,如对什么是TF-IDF,tf-idf计算公式?TF-ID算法F的详细解说!有不明之处可以与我交流,如什么是TF-IDF,tf-idf计算公式?TF-ID算法F的详细解说!信息有误您也可以进行指导,本博客仅为SEO界的伙伴互相交流的一个SEO博客。

【大军SEO:原名蒙晓军,8年如一日因为专业所以专注!做网站优化8年,熟悉各种CMS,精通各种搜索引擎排名,深知产品推广套路。专注于营销型网站建设,整站优化外包、关键词排名、黑帽/白帽SEO技术!承接网站SEO优化服务、SEO顾问服务(QQ:88288050)】
什么是TF-IDF,tf-idf计算公式?TF-ID算法F的详细解说!
热门标签
微信号:seodajun