TF-IDF 商品推荐用户短期兴趣与长期爱好的识别

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：