TF-IDF是信息检索领域中对搜索词重要性的度量,衡量一个关键词w对于查询所提供的信息。
TF词频:表示关键词w在文档Di中出现的频率;Di为第i个文档中所有词的总数
IDF逆文档频率:表示词的普遍程度;一个词越普遍,其IDF值越低;
所有文档总数N,I表示关键词w是否出现在Di文档,I=0/1是指示函数
TF-IDF=TF*IDF
总结:当一个词在文档中出现的频率越高且普遍度低时,其tf-idf值越高;兼顾了词频与新鲜度,可以过滤掉一些常见的词,保留能反映特征的重要词
TextRank:通过词之间的相邻关系来构建词网络,然后用PageRank来计算每个节点的rank值,排序rank值来得到关键词
不同的词对有不同的共现,即两个节点之间的边连接权值不同;TextRank把共现作为无向图边的权值w;TextRank将某一个词与前面的N个词及后面的N个词构成相邻关系;实现:设置一个滑动窗口,窗口内的词均为相邻关系
构成一个有权无向图词网络
其中,In(Vi)代表第i节点的前驱,Out(Vj)代表j节点的后继