TF-IDF
是一种统计措施,用于评估单词与文档集合中文档的相关性
。这是通过乘以两个指标完成的:一个单词在文档中出现多少次,以及单词在一组文档中的反向文档频率
。
它有许多用途,最重要的是在自动文本分析
中,对于自然语言处理(NLP)机器学习算法
中的单词评分非常有用。
TF-IDF(术语频率反向文档频率)
被发明用于文档搜索和信息检索。它的工作方式是按单词在文档中出现的时间成比例增加,但被包含单词的文档数所抵消。因此,在每个文档中常见的单词,例如,什么,如果,排名低,即使它们可能出现很多次,因为它们对文档意义并不特别大。
但是,如果Bug 一词在文档中多次出现,而在文档中未多次出现,则可能意味着它非常相关。例如,如果我们所做的是试图找出某些 NPS 响应属于哪些主题,则"Bug"一词最终可能会绑定到主题可靠性,因为包含该单词的大多数响应都与该主题有关。
如何计算 TF-IDF?
通过乘以两个不同的指标来计算文档中单词的 TF-IDF
:
term frequency
。有几种方法可以计算此频率,最简单的方法是单词出现在文档中的实例的原始计数。然后,有办法调整频率、文档长度或文档中最频繁单词的原始频率。
inverse document frequency
。这意味着,单词在整个文档集中有多常见或罕见。它离 0 越近,单词越常见。此指标可以通过计算文档总数、将其除以包含单词的文档数以及计算对数来计算。
因此,如果单词非常常见,并且出现在许多文档中,则此数字将接近 0。否则,它将接近 1。
将这两个数字相乘会导致文档中单词的 TF-IDF 分数。分数越高,该单词在该特定文档中越相关。
用更正式的数学术语来说,文档集 D 中文档中单词 t 的 TF-IDF 分数计算如下:
TF-IDF 的应用
确定单词与文档(TD-IDF
)的相关性在很多方面都很有用,例如:
信息检索
TF-IDF
是为文档搜索而发明的,可用于提供与所搜索内容最相关的结果。想象一下,你有一个搜索引擎,有人寻找勒布朗。结果将按相关性顺序显示。这就是说, 最相关的体育文章将排名更高, 因为 Tf - idf
给勒布朗这个词一个更高的分数。
您遇到的每个搜索引擎都可能在其算法中使用 TF-IDF
分数。
关键字提取
TF-IDF
也可用于从文本中提取关键字。如何?文档中得分最高的单词与该文档最相关,因此它们可以被视为该文档的关键字。非常简单。
最后一句话
了解 TF-IDF 的工作原理非常有用,以便更好地了解机器学习算法的工作原理。虽然机器学习算法传统上可以更好地与数字工作,但 TF-IDF
算法通过分配数值或矢量来帮助它们破译单词。这在机器学习中是革命性的,尤其是在与 NLP
相关的领域,如文本分析。
在机器学习的文本分析中,TF-IDF
算法可帮助将数据分类,并提取关键字。这意味着简单、单调的任务(如标记支持票证或反馈行和输入数据)可以在几秒钟内完成。
每个人都想知道谷歌如何在几秒钟内提供与您的搜索相关的信息?现在你知道了文本矢量化将文档中的文本转换为数字,因此 TF-IDF 算法可以按相关性顺序对文章进行排序。
参考
What is TF-IDF?
https://monkeylearn.com/blog/what-is-tf-idf/