TF_IDF：自动提取关键词

简介

有一篇很长的文章，我要用计算机提取它的关键词（Automatic Keyphrase extraction），完全不加以人工干预。
一个容易想到的思路，就是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。于是，我们进行”词频”（Term Frequency，缩写为TF）统计。

设计流程

结果你肯定猜到了，出现次数最多的词是”的”、”是”、”在”—-这一类最常用的词。它们叫做”停用词”（stop words），表示对找到结果毫无帮助、必须过滤掉的词。

假设我们把它们都过滤掉了，只考虑剩下的有实际意义的词。这样又会遇到了另一个问题，我们可能发现”中国”、”蜜蜂”、”养殖”这三个词的出现次数一样多。这是不是意味着，作为关键词，它们的重要性是一样的？

显然不是这样。因为”中国”是很常见的词，相对而言，”蜜蜂”和”养殖”不那么常见。如果这三个词在一篇文章的出现次数一样多，有理由认为，”蜜蜂”和”养殖”的重要程度要大于”中国”，也就是说，在关键词排序上面，”蜜蜂”和”养殖”应该排在”中国”的前面。

所以，我们需要一个重要性调整系数，衡量一个词是不是常见词。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。

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。

知道了”词频”（TF）和”逆文档频率”（IDF）以后，将这两个值相乘，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。

算法细节

1. 计算词频(TF)
   

   $$词频(TF) = 某个词在文章中的出现次数$$
   考虑到文章有长短之分，为了便于不同文章的比较，进行词频标准化。
   $$词频(TF) = \frac{某个词在文章中的出现次数}{该文出现次数最多的词出现次数}$$

2. 计算逆文档频率
   这时，需要一个语料库，用来模拟语言的使用环境
   

   $$逆文档频率(IDF) = \log\left(\frac{语料库的文档总数}{包含该词的文档数+1} \right)$$
   如果一个词越常见，那么分母就越大，逆文档频率就越小越接近$0$。分母加$1$是为了避免分母为$0$，即所有文档都不包含该词。

3. 计算$TF\_IDF$
   

   $$TF\_IDF = 词频(TF) \times 逆文档频率(IDF)$$

所以，自动提取关键词的算法就很清楚了，就是计算出文档的美国词的$TF\_IDF$值，然后按照降序排列，取排在最前面的几个词。