1.关于tf-idf:
(使用tf-idf和向量空间模型)
TF: 文档 j 中的关键词 i 的归一化词频值
描述某一词在一篇文档中出现的频繁程度。
(为了阻止更长的文档得到更高的相关度权值,必须进行文档长度的某种归一化)
- TF=freq(i,j) / maxOthers(i,j) ###(maxxOthers = max(freq(z,j))
IDF : 逆文档频率。
降低所有文档中几乎都会出现的关键词的权重。(例如的,了等)
- IDF = log(N /n(i)) ###N 为所有可能推荐文档的数量,n(i)为N中关键词 i 出现过得文档的数量。
TF-IDF权值 = TF*IDF
2.关于BM25:(可插拔的相似度算法)
BM25源于概率相关模型,而非向量空间模型
BM25同样使用词频,逆文档频率以及字段长度归一化,但是每个因子的定义都有细微差别
(###TF-IDF没有考虑词频上限的问题,因为高频停用词已经被移除了)
(###BM25 有一个上限,文档里出现5-10次的词会比那些只出现一两次的对相关度有显著影响),参见词频饱和度图:
字段长度的归一化:
字段某个词的频率所带来的重要性会被这个字段长度抵消,但是在实际的评分函数中会将所有字段以同等方式对待,认为所有较短的title 比较长的body 字段更重要。
BM25 当然也认为较短字段应该有更多的权重,但是它会分别考虑每个字段内容的平均长度,这样就能区分短 title
字段和 长
title 字段。
在