TF-IDF与余弦相似性的应用（一） 自动提取关键词

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。log表示对得到的值取对数。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。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和TF-IDF如下：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。除了自动提取关键词，TF-IDF算法还可以用于许多别的地方。TF-IDF算法的优点是简单快速，结果比较符合实际情况。）下一次，我将用TF-IDF结合余弦相似性，衡量文档之间的相似程度。