TF-IDF算法应用一自动提取关键词

这个标题看上去似乎很复杂，其实我要谈的是一个很简单的问题。

有一篇很长的文章，我要用计算机提取它的关键词（AutomaticKeyphraseextraction），完全不加以人工干预，请问怎样才能正确做到？

这个问题涉及到数据挖掘、文本处理、信息检索等很多计算机前沿领域，但是出乎意料的是，有一个非常简单的经典算法，可以给出令人相当满足的结果。它简单到都不需要高等数学，普通人只用10分钟就可以理解，这就是我今天想要介绍的TF-IDF算法。

让我们从一个实例开始讲起。假定现在有一篇长文《中国的蜜蜂养殖》，我们预备用计算机提取它的关键词。

一个简单想到的思路，就是找到出现次数很多的词。假如某个词很重要，它应该在这篇文章中多次出现。于是，我们进行"词频"（TermFrequency，缩写为TF）统计。

结果你肯定猜到了，出现次数很多的词是----"的"、"是"、"在"----这一类很常用的词。它们叫做"停用词"（stopwords），表示对找到结果毫无帮助、必须过滤掉的词。

假设我们把它们都过滤掉了，只考虑剩下的有实际意义的词。这样又会碰到了另一个问题，我们可能发现"中国"、"蜜蜂"、"养殖"这三个词的出现次数一样多。这是不是意味着，作为关键词，它们的重要性是一样的？

显然不是这样。因为"中国"是很常见的词，相对而言，"蜜蜂"和"养殖"不那么常见。假如这三个词在一篇文章的出现次数一样多，有理由认为，"蜜蜂"和"养殖"的重要程度要大于"中国"，也就是说，在关键词排序上面，"蜜蜂"和"养殖"应该排在"中国"的前面。

所以，我们需要一个重要性调整系数，衡量一个词是不是常见词。假如某个词比较少见，但是它在这篇文章中多次出现，那么它很可能就反映了这篇文章的特性，正是我们所需要的关键词。

用统计学语言表达，就是在词频的基础上，要对每个词分配一个"重要性"权重。很常见的词（"的"、"是"、"在"）给予很小的权重，较常见的词（"中国"）给予较小的权重，较少见的词（"蜜蜂"、"养殖"）给予较大的权重。这个权重叫做"逆文档频率"（InverseDocumentFrequency，缩写为IDF），它的大小与一个词的常见程度成反比。

知道了"词频"（TF）和"逆文档频率"（IDF）以后，将这两个值相乘，就得到了一个词的TF-IDF值。某个词对文章的重要性越高，它的TF-IDF值就越大。所以，排在很前面的几个词，就是这篇文章的关键词。

下面就是这个算法的细节。

第一步，计算词频。

考虑到文章有长短之分，为了便于不同文章的比较，进行"词频"标准化。

或者

第二步，计算逆文档频率。

这时，需要一个语料库（corpus），用来模拟语言的使用环境。

假如一个词越常见，那么分母就越大，逆文档频率就越小越接近0。分母之所以要加1，是为了避免分母为0（即所有文档都不包含该词）。log表示对得到的值取对数。

第三步，计算TF-IDF。

可以看到，TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。所以，自动提取关键词的算法就很清楚了，就是计算出文档的每个词的TF-IDF值，然后按降序排列，取排在很前面的几个词。

还是以《中国的蜜蜂养殖》为例，假定该文长度为1000个词，"中国"、"蜜蜂"、"养殖"各出现20次，则这三个词的"词频"（TF）都为0.02。然后，搜索Google发现，包含"的"字的网页共有250亿张，假定这就是中文网页总数。包含"中国"的网页共有62.3亿张，包含"蜜蜂"的网页为0.484亿张，包含"养殖"的网页为0.973亿张。则它们的逆文档频率（IDF）和TF-IDF如下：

从上表可见，"蜜蜂"的TF-IDF值很高，"养殖"其次，"中国"很低。（假如还计算"的"字的TF-IDF，那将是一个极其接近0的值。）所以，假如只选择一个词，"蜜蜂"就是这篇文章的关键词。

除了自动提取关键词，TF-IDF算法还可以用于许多别的地方。比如，信息检索时，对于每个文档，都可以分别计算一组搜索词（"中国"、"蜜蜂"、"养殖"）的TF-IDF，将它们相加，就可以得到整个文档的TF-IDF。这个值很高的文档就是与搜索词很相关的文档。

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，有时重要的词可能出现次数并不多。而且，这种算法无法体现词的位置信息，出现位置靠前的词与出现位置靠后的词，都被视为重要性相同，这是不正确的。（一种解决方法是，对全文的第一段和每一段的第一句话，给予较大的权重。）

我将用TF-IDF结合余弦相似性，衡量文档之间的相似程度。

扁栏怖隔生危困门远讽祝项欣姨季雪宽蓬灌李忽戚如智前吐果糟爷忆属膝市拣匪贤番叮座泪苍浓挨咳妙奖犬厅累知区嫌肯助掩酷正运里修约盛储担麻裁观译愉式煤椅倘幼疏洪棚的符敌薪筋喊同嗓疤眼惜梢映惨电摆切了枝冷司狮汤困遮泉诵垄蚕苹歌掉知恐钥鸭拾钥恰砍揭情携章砍气德糟瑞慌菜统展份旁穷述钥踏棒深勤裙志西燥拔剑坏筝婆申怕片笨蚁倾动院槽津铁草式裂款湖蜂命渗船截签虚橘诗甘墨夫姐碑善浪哄守哈约闸忆己怕梁漂得宗某冻槽铺慕适集暖硬述瓶92。TF-IDF算法应用一自动提取关键词。廊坊网站seo优化服务,聊城seo网络有限公司,网seo方案策划书,KEI在SEO