TF-IDFzz

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次数。这个数字通常会被正规化，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频，而不管该词语重要与否。）对于在某一特定文件里的词语 ti 来说，它的重要性

 

可表示为：

 

Tf_i,j=n_i,j/Σn_k,j

 

以上式子中 n_i,j是该词在文件d_j中的出现次数，而分母则是在文件d_j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：

 

Idf_i=log|D|/|{d:t_i∈d}|

 

其中

 

|D|：语料库中的文件总数

|{d:t_i∈d}|：包含词语t_i的文件数目（即的文件数目）

然后

 

Tfidf_i,j = tf_i,j * idf_i

 

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。