SEO教程
IDF算法简介以及在自SEO动提取关键词方面的应用
2020-06-29

    为了找出相似的文章,需要用到"余弦相似性"(cosine similiarity)。下面,我举一个例子来说明,什么是"余弦相似性"。

TF-IDF算法

    第三步,计算词频。

TF-IDF算法

    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。

    句子A:我喜欢看电视,不喜欢看电影

    句子A:我/喜欢/看/电视,不/喜欢/看/电影。

TF-IDF算法

TF-IDF算法

    句子B:[1, 2, 2, 1, 1, 2, 1]

    (3)生成两篇文章各自的词频向量;

    由此,我们就得到了"找出相似文章"的一种算法:

    句子A:[1, 2, 2, 1, 1, 1, 0]

    (1)使用TF-IDF算法,SEO教程,找出两篇文章的关键词;

    句子B:我 1,喜欢 2,看 2,电视 1,电影 1,不 2,也 1。

    下面就是这个算法的细节。

    一、TF-IDF算法简介:

    数学家已经证明,余弦的这种计算方法对n维向量也成立。假定A和B是两个n维向量,A是 [A1, A2, ..., An] ,B是 [B1, B2, ..., Bn] ,则A与B的夹角θ的余弦等于:

    请问怎样才能计算上面两句话的相似程度?

    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seo未来发展的方向在哪里》,我们准备用计算机提取它的关键词。

    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。)

    句子B:我/不/喜欢/看/电视,也/不/喜欢/看/电影。

TF-IDF算法

    我,喜欢,看,电视,电影,不,也。

    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,关键词优化,"蜜蜂"就是这篇文章的关键词。

IDF算法简介以及在自SEO动提取关键词方面的应用

    第二步,计算逆文档频率:

    第一步,计算词频:

    TF-IDF算法是一种用于信息检索与数据挖掘的常用加权技术。TF的意思是词频(Term - frequency),IDF的意思是逆向文件频率(inverse Document frequency).TF-IDF是传统的统计算法,用于评估一个词在一个文档集中对于某一个文档的重要程度。它与这个词在当前文档中的词频成正比,与文档集中的其他词频成反比。

    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"、"发展"、"方向"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,"发展"和"方向"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,"发展"和"方向"的重要程度要大于"中国",也就是说,在关键词排序上面,"发展"和"方向"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。

    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。

    二、TF-IDF算法应用之自动提取关键词:


返回顶部