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 正则式使用心得
May 07 Python
Python连接DB2数据库
Aug 27 Python
python中 logging的使用详解
Oct 25 Python
Pandas实现数据类型转换的一些小技巧汇总
May 07 Python
使用Python监控文件内容变化代码实例
Jun 04 Python
Python自动发送邮件的方法实例总结
Dec 08 Python
python scrapy爬虫代码及填坑
Aug 12 Python
python 读取二进制 显示图片案例
Apr 24 Python
python:HDF和CSV存储优劣对比分析
Jun 08 Python
关于Python3的import问题(pycharm可以运行命令行import错误)
Nov 18 Python
基于python制作简易版学生信息管理系统
Apr 20 Python
python随机打印成绩排名表
Jun 23 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
几种显示数据的方法的比较
2006/10/09 PHP
Yii使用DeleteAll连表删除出现报错问题的解决方法
2016/07/14 PHP
[原创]php token使用与验证示例【测试可用】
2017/08/30 PHP
在Laravel中实现使用AJAX动态刷新部分页面
2019/10/15 PHP
音乐播放用的的几个函数
2006/09/07 Javascript
js判断游览器类型及版本号的代码
2014/05/11 Javascript
js数值计算时使用parseInt进行数据类型转换(jquery)
2014/10/07 Javascript
node.js中的http.createServer方法使用说明
2014/12/14 Javascript
jQuery选择器实例应用
2017/01/05 Javascript
jQuery滚动监听实现商城楼梯式导航效果
2017/03/06 Javascript
vue自定义过滤器创建和使用方法详解
2017/11/06 Javascript
jQuery实现动态添加和删除input框代码实例
2019/03/29 jQuery
Vue实现根据hash高亮选项卡
2019/05/27 Javascript
JS面向对象编程——ES6 中class的继承用法详解
2020/03/03 Javascript
[02:49:21]2019完美盛典全程录像
2019/12/08 DOTA
布同 Python中文问题解决方法(总结了多位前人经验,初学者必看)
2011/03/13 Python
解析Python中while true的使用
2015/10/13 Python
Python中异常重试的解决方案详解
2017/05/05 Python
Python实现单词翻译功能
2017/06/06 Python
Python实现将16进制字符串转化为ascii字符的方法分析
2017/07/21 Python
python自动重试第三方包retrying模块的方法
2018/04/24 Python
python实现抠图给证件照换背景源码
2019/08/20 Python
基于Python实现2种反转链表方法代码实例
2020/07/06 Python
在线购买廉价折扣书籍和小说:BookOutlet.com
2018/02/19 全球购物
乐高奥地利官方商店:LEGO Shop AT
2019/07/16 全球购物
英国和国际包裹递送:ParcelCompare
2019/08/26 全球购物
通信工程专业女生个人求职信
2013/09/21 职场文书
策划助理岗位职责
2013/11/18 职场文书
质量承诺书范文
2014/03/27 职场文书
土地转让协议书
2014/04/15 职场文书
英语复习计划
2015/01/19 职场文书
前台接待岗位职责
2015/02/03 职场文书
2015年消费者权益日活动总结
2015/02/09 职场文书
车辆管理制度范本
2015/08/05 职场文书
python爬取新闻门户网站的示例
2021/04/25 Python
JavaScript架构搭建前端监控如何采集异常数据
2022/06/25 Javascript