基于TF-IDF的新闻标签提取

基于TF-IDF的新闻标签提取

1. 新闻标签

　　新闻标签是一条新闻的关键字，可以由编辑上传，或者通过机器提取。新闻标签的提取主要用于推荐系统中，所以，提取的准确性影响推荐系统的有效性。同时，对于将标签展示出来的新闻网站，标签的准确性也会影响用户体验。

2. 新闻标签提取算法

　　新闻首先是一段文本，新闻的标签首先是这一段文本的关键字。在文本关键字提取当中，TD-IDF是首先可以想到的算法。TF-IDF算法的优点是：简单快速，结果比较符合实际情况；缺点是，单纯以“词频”衡量一个词的重要性，不够全面，而且重要的词可能出现次数少。

直接将新闻文本利用TF-IDF出来的结果往往包含比较宽泛，不能够直接使用。将TF-IDF输出的结果集中的每个关键词添加一个标签权重。权重计算方式为 TF-IDF的权重乘标签热度权重，其中，标签热度权重可以通过爬取海量历史新闻的标签，统计标签出现次数，以标签次数作为热度的权重。
如果想要精益求精的话，可以不简单统计次数相加，而是带上时间属性，给近期时间一个较大的值，久的时间一个小的值。

3. 新闻标签提取流程

a) 统计海量新闻标签，并得到标签热度；
b）利用TF-IDF得新闻文本关键字集（取top20）；
c) 将20个关键字的权重乘对应标签热度 Ti = TFIDFi * (1 + HOTi) 其中，加一是为了避免关键字不在标签字典里导致结果为0；
d) 根据计算结果重新排序，取前5个关键字；

4. 实验结果

最后简单验证了一下，利用jieba完成TF-IDF，再python计算。
验证了一条财经新闻 链接为：http://finance.caijing.com.cn/20170607/4281440.shtml
网站新闻的关键字为： 要么， 房贷， 业务， 银行
程序得到关键字为：房贷，贷款，银行，利率，流动性
效果比较：显然，程序得到的标签更为准确。