TF-IDF

TF-IDF算法分析

TF-IDF是一种数值统计，用于反映一个词对于语料中某篇文章的重要性，在信息检索和文本挖掘领域，它经常用于因子加权。

主要思想：如果某个词在一片文档中出现的频率高，即TF高；并且在语料库中其他文档中很少出现即IDF高，则认为这个词具有很好的类别区分能力。

TF-IDF在实际中主要是将两者相乘，也即TF*IDF，TF为词频（Term Frequency），表示词t在文档d中出现的频率；IDF为反文档频率（Inverse Document Frequency），表示语料库中含词t的文档数目的倒数。

TF公式：
TF=count(t)/count(di)

注：count(t)文档di中包含词t的个数，count(di)文档di的词的总数

IDF公式：
IDF=num(corpus)/num(t)+1

注：num(corpus)语料库corpus中文档的总数，num(t)+1:语料库中corpurs中包含t的文档的数目

应用到关键词抽取：

1. 预处理，首先进行分词和词性的标注，将满足指定词性的词作为候选词
2. 分别计算每个词的TF-IDF值
3. 根据每个词的TF-IDF值降序排列，并输出指定个数的词汇作为可能的关键词

应用案例：自动提取关键词

假设现在有一篇文章，这篇文章包含了10000个词组，其中“贵州”、“大数据”、“分析”各出现了100次，“的”出现500次（假设没有去除停用词），则通过前面TF词频计算公式，可以计算得到三个单词的词频，即：

词频=某个词组在文章中出现的次数/该文章的总词组数
TF（贵州）=100/10000=0.01
TF（大数据）=100/10000=0.01
TF（分析）=100/10000=0.01
TF（的）=500/10000=0.05

现在语料库中共存在1000篇文章，其中包含“贵州”的共99篇，包含“大数据”的共19篇，包含“分析”的共59篇，包含“的”共899篇，则它们的IDF计算如下：
逆文档频率=log(语料库中文档总数/包含该词组的文章个数+1）
IDF（贵州）=log(1000/100)=1.000
IDF（大数据）=log(1000/20)=1.700
IDF（分析）=log(1000/60)=1.221
IDF（的）=log(1000/900)=0.046
由IDF的值可以发现，当某个词在语料库中各个文档出现的次数越多，它的IDF值越低。

TF-IDF=词频x逆文档频率
TF-IDF（贵州）=0.01*1.000=0.010
TF-IDF（大数据）=0.01*1.700=0.017
TF-IDF（分析）=0.01*1.221=0.012
TF-IDF（的）=0.01*0.046=0.00046
通过TF-IDF计算，“大数据”在某篇文章中出现频率很高，这就能反应这篇文章的主题就是关于“大数据”方向。如果只选一个词，“大数据”就是这篇文章的关键词。所以，可以通过TF-IDF方法统计文章的关键词。

TF-IDF短发的优缺点：
优点：简单快捷，结果比较符合实际情况。
缺点：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不多，而且无法体现词的位置。

TF-IDF

1、CountVectorize
会将文本中的词语转化为词频矩阵，例如矩阵中包含一个元素a[i][j]，它表示j词在i类文本下的词频。它通过fit_transform函数计算各个词语出现的次数，通过get_feature_names()可获取词袋中所有文本的关键字，通过toarray()可看到词频矩阵的结果。

2、TfidfTransformer
用于统计vectorizer中每个词语的TF-IDF值

3、如果需要同时进行词频统计并计算TF-IDF值，则使用核心代码：

vectorizerCountVectorizer()
transformer=TfidfTransformer()
tfidf=transformer.fit_transform(vectorizer.fit_transform(corpus))

参考链接：EastMount