文本获取与搜索引擎中的TF,TF-IDF

coursera课程 text retrieval and search engine 第二周 推荐。

什么是TF

TF(term frequency)，根据出现的次数作为权重，出现一次，权值加1。但是仅使用这种方式无法区分重要的词和非重要的词，比如the

什么是DF

DF(document frequency)，包含关键词的文档的个数

什么是IDF

IDF(inverse document frequency)，指的是一个单词如果在更多的文档中出现，那么IDF值越低，关系可用下图表示

TF-IDF 模型

即使用TF*IDF。
假如TF不计算频率，按最简单的来，有就算1[y={0,1}]。 以下面文档为例，假如想搜索"news about presidential campaign",文档库中一共有3个文档

很明显presidential出现次数多，那篇文章应该更重要，那么可以加上次数做考虑，使用向量空间模型，假设查询为q=( ,..., ),文档为d=( ,..., ),那么二者的相似性为 sim(q,d)=q*d= +...+ ,还是以上面的文档为例可得到

d4更相关可以得到认同，但是d3和d2却一样，有点无法接受，因为presidential的重要性很明显应该比about更重要，也就是说，不同词的权重是不一样的，在所有文档中出现的越多的词，应该重要性越低，可以算上IDF，假设 每个单词的IDF对应如下

再计算各个文档的相关度为：

对于d5文档来说，很明显它关于food可能更多，只是campaign出现的次数非常多，这也不合理，假如使用TF表示在文档中出现的次数，那么根据文档中出现的次数相比，这是一个线性模型[y=x]，问题在于，如果假设一个单词出现的过多(而没有有关键字中某些其它重要的词)，显得权重过大,因而引入了TF Transformation,我们希望能够随着词出现的次数增加，TF能够变大，但是又不能无限的变大，几种常见的TF如下

对于这种增长的速率，如果能够加入人工的调控是最好的了，据此发现，最好的是BM25

可以看到它的上界是k+1,也就是增长的速率是可调控的，同时，也会提现词频出现越多越重要的这个特性。此时的排序函数为

其中c(w,q)表示在查询语句中，词w的出现次数；c(w,d)表示在文档中词出现次数；df(w)表示包含关键字的文档的个数，即TF*IDF。

为什么长文档需要正规化？

一般说来，长文档更有可能包含更多的词汇，因此它会以相对疏散的方式匹配到查询关键字，但真实主题却不是查询的关键字。这样看来，需要更好的方式来对长文本做出”惩罚”。另外需要考虑到的是，长文档可能存在两种情况，1是仅仅用了过多的词，2是有很多描述主题的内容，这是不希望有惩罚的。总的来说是希望惩罚有一个度，一种策略是使用“摆动长度正规”

使用双ln是为了达到次线性转换（随着TF增加，权值增长相对更慢） 此时的排序函数为

这里b是一个变量，当b=0，文档长度被忽略，当b非0，|d|（文档长度）越大，权值反而越小，也就得到了”惩罚”长文档的目的,当文档太短时，如果包含查询关键字，很有可能主题就是这些，起到适当的激励作用

文本获取(TR)的一般架构

• tokenization：词提取，确定好词的边界，把相近意思的词映射到同一个
• index ：将文档转换成易于检索的数据结构，一般使用倒排索引(用一个字典存储文档的部分统计信息，比如当前词一共出现在了多少个文档，出现了多少次，这些文档分别是那些文档，那些位置，等等)

Zipf定理

定理表明，一个词出现的频率和他的排序是一个常量