TF-IDF与余弦相似性的应用(一) 自动提取关键词


Posted in Python onDecember 21, 2017

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),完全不加以人工干预,请问怎样才能正确做到?

TF-IDF与余弦相似性的应用(一) 自动提取关键词

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。

TF-IDF与余弦相似性的应用(一) 自动提取关键词

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。

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。

TF-IDF与余弦相似性的应用(一) 自动提取关键词

或者

TF-IDF与余弦相似性的应用(一) 自动提取关键词

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。

TF-IDF与余弦相似性的应用(一) 自动提取关键词

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。

第三步,计算TF-IDF。

TF-IDF与余弦相似性的应用(一) 自动提取关键词

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:

TF-IDF与余弦相似性的应用(一) 自动提取关键词

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。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python爬取NUS-WIDE数据库图片
Oct 05 Python
Python 结巴分词实现关键词抽取分析
Oct 21 Python
Python简单生成随机姓名的方法示例
Dec 27 Python
Python系统监控模块psutil功能与经典用法分析
May 24 Python
Python GUI布局尺寸适配方法
Oct 11 Python
pycharm远程开发项目的实现步骤
Jan 20 Python
python多线程同步之文件读写控制
Feb 25 Python
python自动脚本的pyautogui入门学习
Apr 01 Python
python 数据类型强制转换的总结
Jan 25 Python
Python使用tkinter制作在线翻译软件
Feb 22 Python
Python下opencv库的安装过程及问题汇总
Jun 11 Python
浅谈Python中对象是如何被调用的
Apr 06 Python
基于Python的文件类型和字符串详解
Dec 21 #Python
Python绘制七段数码管实例代码
Dec 20 #Python
python代码实现ID3决策树算法
Dec 20 #Python
python决策树之CART分类回归树详解
Dec 20 #Python
python中文乱码不着急,先看懂字节和字符
Dec 20 #Python
python决策树之C4.5算法详解
Dec 20 #Python
python 3.6 +pyMysql 操作mysql数据库(实例讲解)
Dec 20 #Python
You might like
Laravel 5框架学习之表单验证
2015/04/08 PHP
转自Jquery官方 jQuery1.1.3发布,速度提升800%,体积保持20K
2007/08/19 Javascript
JavaScript的面向对象方法以及差别
2008/03/31 Javascript
javascript打开新窗口同时关闭旧窗口
2009/01/16 Javascript
获取网站跟路径的javascript代码(站点及虚拟目录)
2009/10/20 Javascript
jquery控制listbox中项的移动并排序的实现代码
2010/09/28 Javascript
js动态移动滚动条至底部示例代码
2014/04/24 Javascript
Javascript 拖拽雏形(逐行分析代码,让你轻松了拖拽的原理)
2015/01/23 Javascript
js实现简单锁屏功能实例
2015/05/27 Javascript
jquery使用on绑定a标签无效 只能用live解决
2016/06/02 Javascript
jQuery制作圣诞主题页面 更像是爱情影集
2016/08/10 Javascript
前端程序员必须知道的高性能Javascript知识
2016/08/24 Javascript
针对后台列表table拖拽比较实用的jquery拖动排序
2016/10/10 Javascript
详解关于react-redux中的connect用法介绍及原理解析
2017/09/11 Javascript
ActiveX控件的使用-js实现打印超市小票功能代码详解
2017/11/22 Javascript
vue使用video.js进行视频播放功能
2019/07/18 Javascript
详解vue中使用transition和animation的实例代码
2020/12/12 Vue.js
[01:50]WODOTA制作 DOTA2中文宣传片《HERO》
2013/04/28 DOTA
《Python之禅》中对于Python编程过程中的一些建议
2015/04/03 Python
玩转python爬虫之正则表达式
2016/02/17 Python
python3.6.3+opencv3.3.0实现动态人脸捕获
2018/05/25 Python
python离线安装外部依赖包的实现
2020/02/13 Python
python能自学吗
2020/06/18 Python
网页布局中CSS样式无效的十个重要原因详解
2017/08/10 HTML / CSS
一款纯css3实现的竖形二级导航的实例教程
2014/12/11 HTML / CSS
详解CSS3中的box-sizing(content-box与border-box)
2019/04/19 HTML / CSS
Bootstrap File Input文件上传组件
2020/12/01 HTML / CSS
欧洲、亚洲、非洲和拉丁美洲的度假套餐:Great Value Vacations
2019/03/30 全球购物
企划主管岗位职责
2013/12/12 职场文书
高中竞选班长演讲稿
2014/04/24 职场文书
2015年仓库工作总结
2015/04/09 职场文书
卫生院义诊活动总结
2015/05/07 职场文书
2015年民主评议党员工作总结
2015/05/19 职场文书
员工考勤管理制度
2015/08/06 职场文书
导游词之云南丽江古城
2019/09/17 职场文书
使用python生成大量数据写入es数据库并查询操作(2)
2022/09/23 Python