TF-IDF公式

TF：（Term Frequency）词频



式子中分子是该词在文件中的出现次数，而分母则是在文件中所有字词的出现次数之和

IDF ：（inverse document frequency） 逆向文件频率



其中

分子：语料库中的文件总数

分母：包含词语的文件数目（即的文件数目）

某一特定词语的IDF，由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到

很明显，如果对于一个特定的词语，如果包含该词语的文档数目越少，IDF值就越小。

TF-IDF公式即上面的两个式子相乘。

它的思想：如果一个词语在一篇文章中的出现的频率很高，但是它在所有文章当中出现的很少（低文件频率），那么这个词就具有很好的分类效果，适合用来分类。

例子：（来自百度）

有很多不同的数学公式可以用来计算TF-IDF。这边的例子以上述的数学公式来计算。词频 (TF) 是一词语出现的次数除以该文件的总词语数。假如一篇文件的总词语数是100个，而词语“母牛”出现了3次，那么“母牛”一词在该文件中的词频就是3/100=0.03。一个计算文件频率 (IDF) 的方法是测定有多少份文件出现过“母牛”一词，然后除以文件集里包含的文件总数。所以，如果“母牛”一词在1,000份文件出现过，而文件总数是10,000,000份的话，其逆向文件频率就是 log(10,000,000 / 1,000)=4。最后的TF-IDF的分数为0.03 * 4=0.12。