TF-IDF算法简析

TF-IDF算法可用来提取文档的关键词，关键词在文本聚类、文本分类、文献检索、自动文摘等方面有着重要应用。

算法原理

TF：Term Frequency，词频

IDF：Inverse Document Frequency，逆文档频率

词频（TF）：某一个词在该文件中出现的频率

计算方法为：

逆文档频率（IDF）：总文件数目除以包含该词的文件数目

计算方法为：

分母加1是为了防止该词不在语料库中而导致被除数为零

最后，TF-IDF的计算方式为：

TF-IDF 的主要思想为：

如果某个词在一篇文档中出现的频率高（即 TF 高），并且在语料库中其他文档中很少出现（即 IDF 高），则认为这个词具有很好的类别区分能力

算法过程：先计算出文档中每个词的TF-IDF值，然后按降序排列，取排在最前面的几个词作为关键词进行输出

算法优点：

原理简单，能满足大多数实际需求

算法缺点：

1. 单纯以 “词频” 衡量一个词的重要性，不够全面（文档频率小的词就越重要，文档频率大的词就越无用，显然这并不是完全正确的）
2. TF-IDF值的计算没有加入词的位置信息，不够严谨（出现在文档标题、第一段、每一段的第一句话中的词应给予较大的权重）

Python实现

jieba

jieba内置了TF-IDF算法，调用非常简单，例：

sen = '自然语言处理是人工智能和语言学领域的分支学科，此领域探讨如何处理及运用自然语言，包括多方面和步骤。'
print('  jieba extract:', jieba.analyse.extract_tags(sen, topK=topK))  # ['自然语言', '领域', '处理']

topK：返回 TF-IDF 值最大的关键词个数，此处为 3

更详细用法可参考官方文档：https://github.com/fxsjy/jieba

sklearn

关键词提取需用到 CountVectorizer 和 TfidfVectorizer，示例代码：

corpus = [  # 语料
    '自然语言处理是人工智能和语言学领域的分支学科，此领域探讨如何处理及运用自然语言，包括多方面和步骤。',
    '计算机视觉是一门研究如何使机器“看”的科学，用摄影机和计算机代替人眼对目标进行识别、跟踪和测量。',
    '机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。'
]
corpus = [jieba.lcut(sen) for sen in corpus]
with open('stop_words.txt', encoding='utf8') as f:
    stop_words = [line.strip() for line in f.readlines()]
corpus = [' '.join(filter_stop_words(sen, stop_words)) for sen in corpus]

cvec = CountVectorizer()
cvec.fit_transform(corpus)
feature_words = cvec.get_feature_names()
feature_words = np.array(feature_words)

tvec = TfidfVectorizer()
tvec = tvec.fit_transform(corpus)
first_sen = tvec.toarray()[0]
max_indices = np.argsort(-first_sen)[:topK]
print('sklearn extract:', feature_words[max_indices])  # ['自然语言' '领域' '语言学']

完整项目地址：https://github.com/cyandn/practice/tree/master/TF-IDF

参考：

https://www.jianshu.com/p/b0ba00ccaf9c

http://www.ruanyifeng.com/blog/2013/03/tf-idf.html

https://blog.csdn.net/Eastmount/article/details/50323063

https://blog.csdn.net/m0_37324740/article/details/79411651