TFIDF关键词提取简介

TFIDF原理

对于若干个文章的集合，我们要提取每篇文章具有代表性的关键词，我们应该怎么做呢？

最直观也是最容易想到的方法，就是统计每个词汇在文章中出现的频率TF（term frequency），频率高的就是具有代表性的词汇。但是这样的话，可以想象频率最高的词汇一定是“的”“是”“你我他”这样的stop words，所以，我们首先要排除这些词汇。TF的计算方法如下：

                                                           

另外一点，举个例子，我们有三类文章A,B,C，首先这3篇文章都有一个高频率词汇“中国”（而且是频率最高的词汇），其次，A文章第二高频词汇为“体育”，B“艺术”，C“音乐”；请问，你觉得“中国”可以作为最具有代表性的词汇吗？明显不可以吧。所以，除了考虑词汇的频率之外，还需考虑词汇在其他文档当中出现的概率，词汇的重要性应该和该概率是反相关的，我们用一下公式来衡量：

                                                

所以，为了衡量一个词汇的重要性，我们使用TF-IDF来计算：

                                                  

草考文献：

[1] tfidf - wiki

[2] TF-IDF与余弦相似性的应用（一）：自动提取关键词