TF-IDF
全称：term frequency-inverse document frequency
即：词频 - 逆文档频率
TF：词频，指某个词（Term）在文档中出现的频率。
IDF：逆文档频率，公式如下
推理：
假定一个文档就是信息源，该文档包含T1，T2，T3，...，Tn共n个词汇，每个词汇出现了N1，N1，N3，...，Nn次，词汇在文档集中出现的文档频率（词汇的发生概率）分别为D1，D2，D3，...，Dn。
假设 K=sum(Ni) ，对于关键词 Ti 而言，它的信息量为 -log(Di) ，它对平均编码长度的贡献为：-Ni*log(Di) / K，即 Ni / k * log(1/Di)，其中Ni / K为在文档中关键词Ti的词频（TF，Term Frequency），log(1/Di)=log(|D| / |{j: Ti 出现在文档dj中}|)为文档中关键词Ti的文档频率倒数的对数式，称为逆文档频率（IDF，Inverse Document Frequency），这就是经典的TF*IDF。
词袋模型
源自“Bag of words”，简称 BOW ，是构建文档-词项矩阵的基本思想。对于给定的文本，可以是一个段落，也可以是一个文档，该模型都忽略文本的词汇顺序和语法、句法，假设文本是由无序、独立的词汇构成的集合，这个集合可以被直观的想象成一个词袋，袋子里面就是构成文本的各种词汇。
文档-词项矩阵
源自“Document-Term Matrix”，简称 DTM，DTM 矩阵转置后即为 TDM。 我们在第一章简单介绍过文档-词项矩阵的构成，直观来看，矩阵的行代表文档，列代表词汇，矩阵元素即为文档中某一词汇出现的次数。
扫一扫
10万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
