TFIDF——python 男娘i 2023-06-12 12:28 36阅读 0赞 # 提取关键词 # 现在有一篇长文《中国的蜜蜂养殖》，用计算机提取它的关键词。 1、词频：如果某个词很重要，它应该在这篇文章中多次出现。我们进行"词频"（Term Frequency，缩写为TF）统计。 2、停用词：结果你肯定猜到了，出现次数最多的词是----"的"、"是"、"在"----这一类最常用的词。它们叫做["停用词"][Link 1]（stop words），表示对找到结果毫无帮助、必须过滤掉的词。 3、IDF :最常见的词（"的"、"是"、"在"）给予最小的权重， 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"（Inverse Document Frequency，缩写为IDF）， 它的大小与一个词的常见程度成反比。 4、TF-IDF："词频"（TF）和"逆文档频率"（IDF）以后，两个值相乘，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，排在最前面的几个词，就是这篇文章的关键词。 如果某个词比较少见，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。发现"中国"、"蜜蜂"、"养殖"这三个词的出现次数一样多，因为"中国"是很常见的词，相对而言，"蜜蜂"和"养殖"不那么常见，"蜜蜂"和"养殖"的重要程度要大于"中国"。 具体实现： 1、计算词频 词频（TF） = 某个词在文章中的出现次数，文章有长短之分，为了便于不同文章的比较,做"词频"标准化。 词频（TF） = 某个词在文章中的出现次数 / 文章总词数 或者 词频（TF） = 某个词在文章中的出现次数 / 拥有最高词频的词的次数 2、某个词在文章中的出现次数 这时，需要一个语料库（corpus），用来模拟语言的使用环境。 逆文档频率（IDF） = log（语料库的文档总数/包含该词的文档总数+1） 3、计算TF-IDF TF-IDF = 词频（TF) \* 逆文档频率（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是计算出文档的每个词的TF-IDF值，然后按降序排列，取排在最前面的几个词。 ![format_png][] 从上表可见，"蜜蜂"的TF-IDF值最高，"养殖"其次，"中国"最低。（如果还计算"的"字的TF-IDF，那将是一个极其接近0的值。） 所以，如果只选择一个词，"蜜蜂"就是这篇文章的关键词。 总结： 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。） # **找相似文章** # 除了找到关键词，还希望找到与原文章相似的其他文章 需要用到余弦相似性： 句子A：我喜欢看电视，不喜欢看电影 句子B：我不喜欢看电视，也不喜欢看电影 基本思路是：如果这两句话的用词越相似，它们的内容就应该越相似。因此，可以从词频入手，计算它们的相似程度。 1、分词 句子A：我/喜欢/看/电视，不/喜欢/看/电影。 句子B：我/不/喜欢/看/电视，也/不/喜欢/看/电影。 2、列出所有值 我，喜欢，看，电视，电影，不，也。 3、计算词频 句子A：我 1，喜欢 2，看 2，电视 1，电影 1，不 1，也 0。 句子B：我 1，喜欢 2，看 2，电视 1，电影 1，不 2，也 1 4、写出词频向量。 句子A：\[1, 2, 2, 1, 1, 1, 0\] 句子B：\[1, 2, 2, 1, 1, 2, 1\] 我们可以通过夹角的大小，来判断向量的相似程度。夹角越小，就代表越相似。假定a向量是\[x1, y1\]，b向量是\[x2, y2\]，那么可以将余弦定理改写成下面的形式 ![format_png 1][] 结论： 我们就得到了"找出相似文章"的一种算法： * 使用TF-IDF算法，找出两篇文章的关键词 * 每篇文章各取出若干个关键词（比如20个），合并成一个集合，计算每篇文章对于这个集合中的词的词频（为了避免文章长度的差异，可以使用相对词频）； * 生成两篇文章各自的词频向量 * 计算两个向量的余弦相似度，值越大就表示越相似 计算两个向量的余弦相似度，值越大就表示越相似 # **文章自动摘要** # 信息都包含在句子中，有些句子包含的信息多，有些句子包含的信息少。"自动摘要"就是要找出那些包含信息最多的句子。 句子的信息量用"关键词"来衡量。如果包含的关键词越多，就说明这个句子越重要。 Luhn提出用"簇"（cluster）表示关键词的聚集。所谓"簇"就是包含多个关键词的句子片段。 ![format_png 2][] 只要关键词之间的距离小于"门槛值"，它们就被认为处于同一个簇之中。Luhn建议的门槛值是4或5。也就是说，如果两个关键词之间有5个以上的其他词，就可以把这两个关键词分在两个簇。 簇的重要性 = (包含的关键词数量)^2 / 簇的长度。其中的簇一共有7个词，其中4个是关键词。因此，它的重要性分值等于 ( 4 x 4 ) / 7 = 2.3。 然后，找出包含分值最高的簇的句子（比如5句），把它们合在一起，就构成了这篇文章的自动摘要 [Link 1]: http://baike.baidu.com/view/3784680.htm [format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWFnZXMyMDE1LmNuYmxvZ3MuY29tL2Jsb2cvOTk4MTE2LzIwMTYxMC85OTgxMTYtMjAxNjEwMTkxMDE4NTI3NDgtMTA3MDEwNjc2Ny5wbmc?x-oss-process=image/format,png [format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWFnZXMyMDE1LmNuYmxvZ3MuY29tL2Jsb2cvOTk4MTE2LzIwMTYxMC85OTgxMTYtMjAxNjEwMTkxMDM0MTE4NTctNjk1NDk0MDM1LnBuZw?x-oss-process=image/format,png [format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWFnZXMyMDE1LmNuYmxvZ3MuY29tL2Jsb2cvOTk4MTE2LzIwMTYxMC85OTgxMTYtMjAxNjEwMjAxMDE3MjMwMjktMTQ0ODM5NzMzOC5wbmc?x-oss-process=image/format,png
还没有评论，来说两句吧...