TF-IDF
TF-IDF:term frequency–inverse document frequency
词频除以出现该词的文档数
提取关键词
假定现在有一篇长文《中国的蜜蜂养殖》,我们准备用计算机提取它的关键词
1. 词频(Term Frequency,缩写为TF) 统计,找到出现次数最多的词。如果某个词很重要,它应该在这篇文章中多次出现
2. 停用词( stop words ) 表示对找到结果毫无帮助、必须过滤掉的词,出现次数最多的词是”的”、”是”、”在“ 这一类最常用的词。
3. 重要性调整系数:如果某个词比较少见,但是它在这篇文章中多次出现,那么它很可能就反映了这篇文章的特性,正是我们所需要的关键词.
4. 逆文档频率(Inverse Document Frequency缩写为IDF)
用统计学语言表达,就是在词频的基础上,要对每个词分配一个”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。
将”词频”(TF)和”逆文档频率”(IDF)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。
步骤: