(纯属为了记录自己学习的点滴过程,引用资料都附在参考列表)
1 基本概念
什么是关键词(是什么)
大略的讲就是文章中重要的单词,而不限于词语的新鲜程度。
什么样的单词是重要的单词,恐怕这是个见仁见智的问题,所以可以根据用户需求,合理设计先验知识融进模型进行建模,本文讨论的是最易于理解、最常见的几种度量“重要”的方式,也可以理解为几种常见理解“关键词”的观点。
2 问题
提取一篇文章的关键词;
3 解决思路
3.1 词频统计
先验知识:一方面,关键词通常在文章中反复出现,为了解释关键词,作者通常会反复提及它们;另一方面,反复出现的词语不一定是关键词,根据齐夫定律,一些词频高的往往是标点符号和助词’的‘等,它们显然不是关键词。
算法:根据先验知识,算法模型如下:
- 分词;
- 停用词过滤;
- 按词频提取前n个;
缺点:用词频来提取关键词有一个缺陷,那就是高频词并不等价于关键词。比如在一个体育网站中,所有文章都是奥运会报道,导致“奥运会”词频最高,用户希望通过关键词看到每篇文章的特色。此时,TF-IDF 就派上用场了。
3.2 IF-IDF
先验知识:如果某个词在一篇文档中出现的频率高,并且在其它文档中很少出现,则认为这个词有很好的类别区分能力。
TF-IDF的数学表达:
T F − I D F ( t , d ) = T F ( t , d ) D F ( t ) = T F ( t , d ) × I D F ( t ) TF-IDF(t,d) = \frac{TF(t, d)}{DF(t)} \\ =TF(t, d) \times IDF(t) TF−IDF(t,d)