https://baike.baidu.com/item/tf-idf/8816134?fr=ge_ala
一、tf-idf的物理意义
tf-idf通过词频统计的方法得到某个词对一篇文档的重要性大小(没有考虑语义信息)。
二、tf值(term frequency)
某个词的tf值计算公式如下:
tf=n/N
n表示某个词在文档中出现的次数,N表示文档中所有词出现的次数总和,这是一个归一化的过程,目的是消除文档篇幅长短上的差异。
三、idf值(inverse document frequency)
某个词的idf值计算公式如下:
idf=lg[D/(1+d)]
D表示语料中所有的文档总数,d表示语料中出现某个词的文档数量,公式中的1是为了防止分母为0的情况,lg是以10为底的对数,具有类似于增强区分度的作用(拥挤的值尽可能散开,离群的值尽可能合拢)。
四、tfidf值
最终tfidf值为两者的乘积:
tfidf=tf∗idf
用tfidf值可以弱化常见词,保留重要的词。若某个词在某个文档中是高频词,在整个语料中又是低频出现,那么这个词将具有高tfidf值,它对这篇文档来说,就是关键词,或主题词。