GBASE南大通用技术分享： 关于GBase UP数据库特征处理算法介绍

GBASE南大通用技术分享：

关于GBase UP数据库特征处理算法介绍：

其二：词频-逆文本频率（term frequency–inverse document frequency，TF-IDF）是一种用于信息检 索与数据挖掘的常用加权技术。 TF-IDF 是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的 重要程度。字词的重要性随著它在文件中出现的次数成正比增加，但同时会随著它在语料库中出 现的频率成反比下降。 TF-IDF 加权的各种形式常被搜寻引擎应用，作为文件与用户查询之间相关程度的度量或评 级；在自然语言处理领域，结合 TF-IDF 关键词抽取方法和中文具有的自然语言词语间相互关联 的特性，总结出的关键词提取技术是文本分类、文本聚类、信息检索等技术的基础，有着非常广 泛的应用；在新闻推荐系统中，通常使用 TF-IDF 权重技术结合余弦相似性度量方法，对海量的 新闻文稿进行分类处理。

GBASE南大通用数据库GBase UP词频-逆文本频率(TF-IDF) 算法介绍

如果某个词或短语在一篇文章中出现的频率 TF 高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TF-IDF 实际上是：TF * IDF，TF 词频(Term Frequency)，IDF 逆向文件频率(Inverse Document Frequency)。TF 表示词条 t 在文档 d 中出现的频 率。IDF 的主要思想是：如果包含词条 t 的文档越少，也就是 n 越小，IDF 越大，则说明词条 t 具 有很好的类别区分能力。如果某一类文档 C 中包含词条 t 的文档数为 m，而其它类包含 t 的文档 总数为 k，显然所有包含 t 的文档数 n = m + k，当 m 大的时候，n 也大，按照 IDF 公式得到的 IDF 的值会小，就说明该词条 t 类别区分能力不强。但是实际上，如果一个词条在一个类的文档中频 繁出现，则说明该词条能够很好代表这个类的文本的特征，这样的词条应该给它们赋予较高的权 重，并选来作为该类文本的特征词以区别与其它类文档。这就是 IDF 的不足之处。在一份给定的 文件里，词频（term frequency，TF）指的是某一个给定的词语在该文件中出现的频率。这个数字 是对词数(term count)的归一化，以防止它偏向长的文件。（同一个词语在长文件里可能会比短文件 有更高的词数，而不管该词语重要与否。）对于在某一特定文件里的词语来说，它的重要性可表示 为：

以上式子中分子是该词在文件中的出现次数，而分母则是在文件中所有字词的出现次数之和。 逆向文件频率（inverse document frequency，IDF）是一个词语普遍重要性的度量。某一特定 词语的 IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到：

其中 |D| 是语料库中的文件总数；包含词语的文件数目（即的文件数目） 如果该词语不在语料库中，就会导致分母为零，因此一般情况下使用

作为 分母。然后再计算 TF 与 IDF 的乘积： 。

某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高 权重的 TF-IDF。因此，TF-IDF 倾向于过滤掉常见的词语，保留重要的词语。