这个标题看上去好像很复杂,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(Automatic Keyphrase extraction),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意的结果。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》,我们准备用计算机提取它的关键词。
一个容易想到的思路,就是找到出现次数最多的词。如果某个词很重要,它应该在这篇文章中多次出现。于是,我们进行"词频"(Term Frequency,缩写为TF)统计。
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"(stop words),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。这样又会遇到了另一个问题,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。如果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。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。
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。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。
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,排在最前面的几个词,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。
如果一个词越常见,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,取排在最前面的几个词。
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。
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。这个值最高的文档就是与搜索词最相关的文档。
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。)
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。
http://www.ruanyifeng.com/blog/2013/03/tf-idf.html
相关推荐
在实际应用中, TF-IDF 算法和余弦相似性可以结合使用,例如,在自动关键词提取中,可以使用 TF-IDF 算法来提取关键词,然后使用余弦相似性来计算关键词之间的相似度,最后选择相似度最高的关键词作为最终结果。...
TF-IDF与余弦相似性的应用(一):自动提取关键词 这个标题看上去好像很复杂,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(Automatic Keyphrase extraction),完全不加以人工...
TF-IDF(Term Frequency-Inverse Document Frequency)与余弦相似性是文本挖掘和信息检索领域常用的两种技术,常被用于找出文档之间的相似性。TF-IDF是一种衡量词语在文档中重要性的方法,它考虑了词语在文档内的...
例如,通过计算两篇文档的TF-IDF向量的余弦相似度,可以找出文档之间的相似性。 在实际应用中,可能还需要考虑词的长度惩罚,以避免长词由于出现次数多而被误判为重要。例如,可以使用归一化处理,将词频除以该词在...
总结来说,TF-IDF结合余弦相似度是一种有效的文本相似性计算方法,它可以帮助我们理解并比较不同文本的语义关系。在机器学习和自然语言处理的诸多任务中,如信息检索、文本分类和情感分析,这种方法都扮演着关键角色...
实验结果分析可能包括查看哪些词的TF-IDF值最高,识别文档的主题,或者比较不同文档之间的相似性。可以使用余弦相似度等方法来评估文档间的相似性。 总结,Python中的TF-IDF矩阵表示涉及到理解TF-IDF算法原理,使用...
首先,TF-IDF(Term Frequency-Inverse Document Frequency)是一种统计方法,用于衡量一个词在文档集中的重要性。在新闻情感分析中,TF-IDF帮助我们找出那些在特定新闻中频繁出现,但在整个新闻集合中不太常见的...
这个压缩包文件包含了一个使用Python Dash框架开发的图书推荐应用程序,该程序采用了基于内容的过滤方法,特别是TF-IDF(Term Frequency-Inverse Document Frequency)和余弦相似度这两种技术来为用户推荐书籍。...
在IT领域,文本相似度计算是一项重要的任务,用于找出两篇或多篇文章之间的相似性。本文主要探讨了如何利用C#编程语言实现基于TF-IDF的余弦算法来完成这一任务,特别是针对文章内容以及图片的相似度比较。下面将详细...
余弦相似度是通过计算两个非零向量的夹角余弦值来度量它们的相似性。在numpy中,可以使用`cosine_similarity`函数计算余弦相似度。 ```python from sklearn.metrics.pairwise import cosine_similarity # 计算余弦...
TF-IDF,全称Term Frequency-Inverse Document Frequency,是一种在信息检索和文本挖掘领域广泛应用的加权技术。它主要用于评估单个词汇在一个文档集合中的重要性。TF-IDF结合了词频(Term Frequency, TF)和逆文档...
Moviebox:基于内容的机器学习推荐系统利用tf-idf和余弦相似性算法
余弦相似度是一种在信息检索和自然语言处理中广泛使用的度量方法,用于评估两个非零向量之间的角度,从而衡量它们之间的相似性。在文本分析中,这种度量常被用来比较两个文档的相似程度。Tf-Idf(Term Frequency-...
在这个项目中,我们使用了 Flask 框架来构建一个电影推荐的应用程序,该程序基于TF-IDF(Term Frequency-Inverse Document Frequency)和余弦相似度算法。 **Flask框架** Flask是一款轻量级的Web服务程序,用于...
在本项目"Content-based-Recommendation-System"中,开发者使用了TF-IDF(词频-逆文档频率)和余弦相似度这两种关键的文本分析方法来实现这一目标。 首先,让我们深入了解TF-IDF。TF-IDF是一种统计方法,常用于信息...
总结起来,这个Java实现通过余弦相似性和TF-IDF算法,可以帮助我们有效地评估两篇文章的相似度,尤其在信息检索系统、推荐系统或者文本分类中有着广泛的应用。在处理大量文本数据时,理解并掌握这些方法对于提升系统...
这种方法允许我们通过数学运算(如余弦相似度)来比较不同文档之间的相似性。 **2. 词频(Term Frequency, TF)** 词频是衡量一个词在文档中出现频率的指标。通常,一个词在文档中出现的次数越多,它对于文档主题的...
TF-IDF是一种衡量词语在文档中重要性的统计方法。TF(Term Frequency)是词在文档中出现的频率,IDF(Inverse Document Frequency)是对词在整个文集中稀有程度的度量。TF-IDF值越高,表示这个词在当前文档中的重要...