推荐算法之TF-IDF的理解以及代码实现

bigLiaoYiming

于 2021-04-02 20:40:24 发布

阅读量554

点赞数 1

文章标签：推荐系统 tf-idf python 人工智能自然语言处理

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/bigLiaoYiming/article/details/115407284

版权

本文介绍了TF-IDF算法的基本思想，强调了词频和逆文档频率在文本分类中的作用。通过TF-IDF计算公式展示了如何衡量一个词的重要性，并提供了Python代码实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.TF-IDF（Term Frequency-Inverse Document Frequency）词频逆文档词频

主要思想：

如果某个词在一篇文章中出现的频率（TF）高，并且在其他文章中很少出现，则该词具有良好的区分能力，它的价值就会比较大，适合用来分类

TF（词频）：一个词在一个文档中出现的频率

为了避免长短文不同造成的偏向，将每个词进行归一化

$TFi,j = n_(i,j)/n_(*,j)$

表示词i在文档j中出现的次数，表示文档j中的总词数

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。