網(wǎng)站布局之TF-IDF算法，說(shuō)白了在我理解來(lái)，這個(gè)算法就是通過(guò)一個(gè)的數(shù)學(xué)計(jì)算，來(lái)確定每個(gè)詞在文章中的權(quán)重，從而得到一篇文章的關(guān)于詞的帶權(quán)重的向量，知道了這個(gè)以后就好辦了，之后什么文章關(guān)鍵字提取、概述、不同的文章之前的相似性比較都引刃而解了。

求一個(gè)詞的權(quán)重就用到TF-IDF算法，其實(shí)TF-IDF算法是分為T(mén)F（Term Frequency，縮寫(xiě)為T(mén)F）與IDF（Inverse Document Frequency，縮寫(xiě)為IDF）的計(jì)算。

說(shuō)起來(lái)也簡(jiǎn)單，TF就是這個(gè)詞在文章中的詞頻，出現(xiàn)的次數(shù)比上文章的總次數(shù)或者出現(xiàn)次數(shù)最高的詞的個(gè)數(shù)。而IDF則是表示TF-IDF算法分母上加一是為了防止分母為零。

這個(gè)數(shù)學(xué)的表達(dá)式也符合情理，如果關(guān)鍵字（除去“的”、“為了”之類(lèi)的去除字）在越多的文檔中出現(xiàn)，它在本篇文章中的權(quán)重自然就低了，舉個(gè)簡(jiǎn)單的例子：給你一個(gè)關(guān)鍵字計(jì)算機(jī)，你一點(diǎn)也不知道這貨表達(dá)的意思，因?yàn)椋◤倪@個(gè)算法角度講）它在太多的文章中出現(xiàn)，但是如果你的關(guān)鍵字為0day就不一樣了，包含它的文檔數(shù)遠(yuǎn)遠(yuǎn)小于包含關(guān)鍵字“計(jì)算機(jī)”的文檔數(shù)。由此，如果在同一篇文章里，如果“0day”與“計(jì)算機(jī)”的TF（詞頻）相同，IDF就可以保證“0day”的權(quán)重較高了。

基本的算法就是這樣了，其實(shí)很簡(jiǎn)單，但是這個(gè)算法是基于這樣一個(gè)前提，關(guān)鍵詞越重要，出現(xiàn)的頻率越高。同時(shí)忽略了詞出現(xiàn)位置的影響，所以這個(gè)算法存在漏洞。