TF-IDF与余弦类似性的应用（一）：自己主动提取关键词
这个标题看上去好像非常复杂，事实上我要谈的是一个非常easy的问题。
有一篇非常长的文章，我要用计算机提取它的关键词（Automatic Keyphrase extraction），全然不加以人工干预，请问如何才干正确做到？
这个问题涉及到数据挖掘、文本处理、信息检索等非常多计算机前沿领域，可是出乎意料的是，有一个非常easy的经典算法，能够给出令人相当惬意的结果。
它简单到都不须要高等数学。普通人仅仅用10分钟就能够理解，这就是我今天想要介绍的TF-IDF算法。
让我们从一个实例開始讲起。假定如今有一篇长文《中国的蜜蜂养殖》，我们准备用计算机提取它的关键词。
一个easy想到的思路，就是找到出现次数最多的词。
假设某个词非常重要。它应该在这篇文章中多次出现。于是。我们进行"词频"（Term Frequency，缩写为TF）统计。
结果你肯定猜到了。出现次数最多的词是----"的"、"是"、"在"----这一类最经常使用的词。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。
如果我们把它们都过滤掉了，仅仅考虑剩下的有实际意义的词。这样又会遇到了还有一个问题。我们可能发现"中国"、"蜜蜂"、"养殖"这三个词的出现次数一样多。这是不是意味着，作为关键词，它们的重要性是一样的？
显然不是这样。
由于"中国"是非经常见的词，相对而言，"蜜蜂"和"养殖"不那么常见。假设这三个词在一篇文章的出现次数一样多，有理由觉得，"蜜蜂"和"养殖"的重要程度要大于"中国"，也就是说。在关键词排序上面，"蜜蜂"和"养殖"应该排在"中国"的前面。
所以。我们须要一个重要性调整系数，衡量一个词是不是常见词。假设某个词比較少见，可是它在这篇文章中多次出现，那么它非常可能就反映了这篇文章的特性，正是我们所须要的关键词。
用统计学语言表达，就是在词频的基础上。要对每一个词分配一个"重要性"权重。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。
知道了"词频"（TF）和"逆文档频率"（IDF）以后，将这两个值相乘，就得到了一个词的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。
以下就是这个算法的细节。
第一步，计算词频。
考虑到文章有长短之分，为了便于不同文章的比較。进行"词频"标准化。
或者
第二步。计算逆文档频率。
这时。须要一个语料库（corpus），用来模拟语言的使用环境。
假设一个词越常见，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（即全部文档都不包括该词）。log表示对得到的值取对数。
第三步，计算TF-IDF。
能够看到。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，自己主动提取关键词的算法就非常清楚了。就是计算出文档的每一个词的TF-IDF值，然后按降序排列，取排在最前面的几个词。
还是以《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，包括"的"字的网页共同拥有250亿张。假定这就是中文网页总数。
包括"中国"的网页共同拥有62.3亿张，包括"蜜蜂"的网页为0.484亿张，包括"养殖"的网页为0.973亿张。则它们的逆文档频率（IDF）和TF-IDF例如以下：
从上表可见，"蜜蜂"的TF-IDF值最高，"养殖"其次。"中国"最低。
（假设还计算"的"字的TF-IDF，那将是一个极其接近0的值。）所以。假设仅仅选择一个词，"蜜蜂"就是这篇文章的关键词。
除了自己主动提取关键词，TF-IDF算法还能够用于很多别的地方。比方。信息检索时，对于每一个文档，都能够分别计算一组搜索词（"中国"、"蜜蜂"、"养殖"）的TF-IDF，将它们相加，就能够得到整个文档的TF-IDF。这个值最高的文档就是与搜索词最相关的文档。
TF-IDF算法的长处是简单高速。结果比較符合实际情况。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。并且，这样的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。都被视为重要性同样。这是不对的。
（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。
）
下一次，我将用TF-IDF结合余弦相似性，衡量文档之间的相似程度。
（完）
TF-IDF与余弦类似性的应用（一）：自己主动提取关键词的更多相关文章
- TF/IDF（term frequency/inverse document frequency)
TF/IDF(term frequency/inverse document frequency) 的概念被公认为信息检索中最重要的发明. 一. TF/IDF描述单个term与特定document的相 ...
- 基于TF/IDF的聚类算法原理
一.TF/IDF描述单个term与特定document的相关性TF(Term Frequency): 表示一个term与某个document的相关性. 公式为这个term在document中出 ...
- 使用solr的函数查询,并获取tf*idf值
1. 使用函数df(field,keyword) 和idf(field,keyword). http://118.85.207.11:11100/solr/mobile/select?q={!func ...
- TF/IDF计算方法
FROM:http://blog.csdn.net/pennyliang/article/details/1231028 我们已经谈过了如何自动下载网页.如何建立索引.如何衡量网页的质量(Page R ...
- tf–idf算法解释及其python代码实现(下)
tf–idf算法python代码实现 这是我写的一个tf-idf的简单实现的代码,我们知道tfidf=tf*idf,所以可以分别计算tf和idf值在相乘,首先我们创建一个简单的语料库,作为例子,只有四 ...
- tf–idf算法解释及其python代码实现(上)
tf–idf算法解释 tf–idf, 是term frequency–inverse document frequency的缩写,它通常用来衡量一个词对在一个语料库中对它所在的文档有多重要,常用在信息 ...
- 文本分类学习（三） 特征权重（TF/IDF）和特征提取
上一篇中,主要说的就是词袋模型.回顾一下,在进行文本分类之前,我们需要把待分类文本先用词袋模型进行文本表示.首先是将训练集中的所有单词经过去停用词之后组合成一个词袋,或者叫做字典,实际上一个维度很大的 ...
- 信息检索中的TF/IDF概念与算法的解释
https://blog.csdn.net/class_brick/article/details/79135909 概念 TF-IDF(term frequency–inverse document ...
- Elasticsearch学习之相关度评分TF&IDF
relevance score算法,简单来说,就是计算出,一个索引中的文本,与搜索文本,他们之间的关联匹配程度 Elasticsearch使用的是 term frequency/inverse doc ...
随机推荐
- 【URAL 1486】Equal Squares（二维哈希+二分）
Description During a discussion of problems at the Petrozavodsk Training Camp, Vova and Sasha argued ...
- 【HIHOCODER 1052 】基因工程（贪心）
链接 问题描述 小Hi和小Ho正在进行一项基因工程实验.他们要修改一段长度为N的DNA序列,使得这段DNA上最前面的K个碱基组成的序列与最后面的K个碱基组成的序列完全一致. 例如对于序列"A ...
- python013 Python3 条件控制
Python3 条件控制Python条件语句是通过一条或多条语句的执行结果(True或者False)来决定执行的代码块.可以通过下图来简单了解条件语句的执行过程: if 语句Python中if语句的一 ...
- php 正则匹配包含字母、数字以及下划线，且至少包含2种
新系统注册功能需对用户名和密码做以下要求:包含字母.数字以及下划线,且至少包含2种: 在网上没有搜到符合要求的代码,于是自己对他人代码做了一点修改,经测试满足要求.代码如下: if (!preg_ma ...
- Light OJ-1082 - Array Queries,线段树区间查询最大值，哈哈，水过~~
...
- hdu 1563简单异或Find your present!
#include<stdio.h> int main(){ int n,m,s; while(scanf("%d",&n),n) { s=0; w ...
- 腾讯云CVM使用记录--使用root权限
1.su root 指令 ,执行下列命令获取root权限: sudo /bin/su - root 注意:严禁执行password命令,root密码默认不能被修改.
- 【转】php 之 array_filter、array_walk、array_map的区别
[转]php 之 array_filter.array_walk.array_map的区别 原文:https://blog.csdn.net/csdnzhangyiwei/article/detail ...
- 建设DevOps统一运维监控平台，先从日志监控说起
https://blog.csdn.net/jessise_zhan/article/details/80129915 https://blog.csdn.net/JThink_/article/de ...
- 清北省选 DAY last 集锦
这是题目描述的链接: http://lifecraft-mc.com/wp-content/uploads/2018/03/problems1.pdf (虽然这次没去清北,但还是厚颜无耻的做了一下这套 ...