结巴分词中TFIDF的原理

之前了解TFIDF只是基于公式，今天被阿里面试官问住了，所以深入讨论下TFIDF在结巴分词中原理。

概念

     TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜寻引擎应用，作为文件与用户查询之间相关程度的度量或评级。

原理

      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。这个数字通常会被归一化（分子一般小于分母 区别于IDF），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。）

　　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。

　　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。

      TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。

      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频率。这个数字是对词数(term count)的归一化，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数，而不管该词语重要与否。）对于在某一特定文件里的词语 t_{i} 来说，它的重要性可表示为：

\mathrm{tf_{i,j}} = \frac{n_{i,j}}{\sum_k n_{k,j}}

      以上式子中 n_{i,j} 是该词t_{i} 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：

\mathrm{idf_{i}} = \log \frac{|D|}{|\{j: t_{i} \in d_{j}\}|}

其中

  • |D|：语料库中的文件总数
  • |\{ j: t_{i} \in d_{j}\}|：包含词语t_{i}的文件数目（即n_{i,j} \neq 0的文件数目）如果该词语不在语料库中，就会导致被除数为零，因此一般情况下使用1 + |\{j : t_{i} \in d_{j}\}|

然后

\mathrm{tf{}idf_{i,j}} = \mathrm{tf_{i,j}} \times \mathrm{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。

 

结巴中的应用：关键词提取

先上例子：

 

很好奇 这个3.56是怎么算出来的，因为只有一个句子，idf应该是1（总文章数（1）除以 出现"工商银行"的文章数（1））

其实并不是这样的，结巴中自带了定义好的idf文件，如图。 

 

 其中 工商银行的idf是7.12   

 

 

 

所以 3.56 是  tf=0.5(申请工商银行。里有2个词，工商银行出现1次)  idf  = 7.12(内置的idf)

tfidf = tf*idf=3.56

 

 

 

下面 把句子换成 工商银行申请工商银行

tf = 2/3  idf = 7.12

tfidf = 2/3*7.12 = 4.75

 

 

 如果结巴自定义的词典，词语不在idf中，会怎样呢？

 

11.95 是咋来的呢？

分析一下idf那个文件：

 11.95可以看做是idf的平均值！！！！

posted @ 2018-04-13 18:55  乐乐章  阅读(1577)  评论(0)  编辑  收藏  举报