機器學習：生動理解TF-IDF演算法

什麼是TF-IDF?

TF-IDF(term frequency–inverse document frequency)是一種用於信息檢索與數據挖掘的常用加權技術，常用於挖掘文章中的關鍵詞，而且演算法簡單高效，常被工業用於最開始的文本數據清洗。

TF-IDF有兩層意思，一層是"詞頻"（Term Frequency，縮寫為TF），另一層是"逆文檔頻率"（Inverse Document Frequency，縮寫為IDF）。

假設我們現在有一片長文叫做《量化系統架構設計》詞頻高在文章中往往是停用詞，「的」，「是」，「了」等，這些在文檔中最常見但對結果毫無幫助、需要過濾掉的詞，用TF可以統計到這些停用詞並把它們過濾。當高頻詞過濾後就只需考慮剩下的有實際意義的詞。

但這樣又會遇到了另一個問題，我們可能發現"量化"、"系統"、"架構"這三個詞的出現次數一樣多。這是不是意味著，作為關鍵詞，它們的重要性是一樣的？事實上系統應該在其他文章比較常見，所以在關鍵詞排序上，「量化」和「架構」應該排在「系統」前面，這個時候就需要IDF，IDF會給常見的詞較小的權重，它的大小與一個詞的常見程度成反比。

當有TF(詞頻)和IDF(逆文檔頻率)後，將這兩個詞相乘，就能得到一個詞的TF-IDF的值。某個詞在文章中的TF-IDF越大，那麼一般而言這個詞在這篇文章的重要性會越高，所以通過計算文章中各個詞的TF-IDF，由大到小排序，排在最前面的幾個詞，就是該文章的關鍵詞。

TF-IDF演算法步驟

第一步，計算詞頻：

考慮到文章有長短之分，為了便於不同文章的比較，進行"詞頻"標準化。

第二步，計算逆文檔頻率：

這時，需要一個語料庫（corpus），用來模擬語言的使用環境。

如果一個詞越常見，那麼分母就越大，逆文檔頻率就越小越接近0。分母之所以要加1，是為了避免分母為0（即所有文檔都不包含該詞）。log表示對得到的值取對數。

第三步，計算TF-IDF：

可以看到，TF-IDF與一個詞在文檔中的出現次數成正比，與該詞在整個語言中的出現次數成反比。所以，自動提取關鍵詞的演算法就很清楚了，就是計算出文檔的每個詞的TF-IDF值，然後按降序排列，取排在最前面的幾個詞。

優缺點

TF-IDF的優點是簡單快速，而且容易理解。缺點是有時候用詞頻來衡量文章中的一個詞的重要性不夠全面，有時候重要的詞出現的可能不夠多，而且這種計算無法體現位置信息，無法體現詞在上下文的重要性。如果要體現詞的上下文結構，那麼你可能需要使用word2vec演算法來支持。

示例代碼

推薦閱讀：