标签：str   code   一段   网页   tail   idf   表示   排列   简单   

拜读了两篇大作，受益匪浅，感谢！
这孩子谁懂哈 https://blog.csdn.net/zhaomengszu/article/details/81452907
elly https://zhuanlan.zhihu.com/p/94446764

如何准确抓住一篇文章内容的关键词？

TF-IDF（Term Frequency-inverse Document Frequency）是一种针对 关键词的统计分析方法
用于评估一个词 对 一个文件集 或者 一个语料库 的 重要程度

一个词的重要程度跟它在文章中出现的次数成 正比

跟它在语料库出现的次数成 反比

这种计算方式能有效避免常用词对关键词的影响，提高了关键词与文章之间的相关性。

重点：算法理解

计算词频TF

考虑到文章有长短之分，为了便于不同文章的比较，进行"词频"标准化。

或者

计算逆文档频率IDF

需要一个语料库（corpus），用来模拟语言的使用环境。

如果一个词越常见，那么分母就越大，逆文档频率就越小越接近0。分母之所以要加1，是为了避免分母为0（即所有文档都不包含该词）。log表示对得到的值取对数。

计算TF-IDF

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很清楚了，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。

给个例子：例子来自

以《中国的蜜蜂养殖》为例，假定该文长度为1000个词，"中国"、"蜜蜂"、"养殖"各出现20次，则这三个词的"词频"（TF）都为0.02。然后，搜索Google发现，包含"的"字的网页共有250亿张，假定这就是中文网页总数。包含"中国"的网页共有62.3亿张，包含"蜜蜂"的网页为0.484亿张，包含"养殖"的网页为0.973亿张。则它们的逆文档频率（IDF）和TF-IDF如下：

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。

除了自动提取关键词，TF-IDF算法还可以用于许多别的地方。比如，信息检索时，对于每个文档，都可以分别计算一组搜索词（"中国"、"蜜蜂"、"养殖"）的TF-IDF，将它们相加，就可以得到整个文档的TF-IDF。这个值最高的文档就是与搜索词最相关的文档。

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。）

TF-IDF算法原理及其使用详解

标签：str   code   一段   网页   tail   idf   表示   排列   简单   

原文地址：https://www.cnblogs.com/duoba/p/13156897.html