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爬虫入门教程之点点美女图片爬虫代码分享
Sep 02 Python
spyder常用快捷键(分享)
Jul 19 Python
Python实现处理逆波兰表达式示例
Jul 30 Python
python使用pygame框架实现推箱子游戏
Nov 20 Python
python按比例随机切分数据的实现
Jul 11 Python
python 多进程共享全局变量之Manager()详解
Aug 15 Python
通过Python编写一个简单登录功能过程解析
Sep 04 Python
python画蝴蝶曲线图的实例
Nov 21 Python
Python中if有多个条件处理方法
Feb 26 Python
Python Selenium截图功能实现代码
Apr 26 Python
numpy的Fancy Indexing和array比较详解
Jun 11 Python
Python进程池与进程锁之语法学习
Apr 11 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
PHP新手上路(三)
2006/10/09 PHP
PHP下escape解码函数的实现方法
2010/08/08 PHP
如何用php获取文件名后缀
2013/06/09 PHP
json的键名为数字时的调用方式(示例代码)
2013/11/15 PHP
ThinkPHP提示错误Fatal error: Allowed memory size的解决方法
2015/02/12 PHP
PHP中FTP相关函数小结
2016/07/15 PHP
Javascript条件判断使用小技巧总结
2008/09/08 Javascript
javascript函数定义的几种区别小结
2014/01/06 Javascript
JS图片放大效果简单实现代码
2016/09/08 Javascript
Vue.js鼠标悬浮更换图片功能
2017/05/17 Javascript
详解为Bootstrap Modal添加拖拽的方法
2018/01/05 Javascript
微信小程序实现登录遮罩效果
2018/11/01 Javascript
基于Vue插入视频的2种方法小结
2019/04/02 Javascript
详解关于React-Router4.0跳转不置顶解决方案
2019/05/10 Javascript
详解vue beforeRouteEnter 异步获取数据给实例问题
2019/08/09 Javascript
vant-ui AddressEdit地址编辑和van-area的用法说明
2020/11/03 Javascript
[43:43]完美世界DOTA2联赛PWL S2 LBZS vs Forest 第三场 11.29
2020/12/02 DOTA
深入理解NumPy简明教程---数组3(组合)
2016/12/17 Python
浅谈python中对于json写入txt文件的编码问题
2018/06/07 Python
python 3.6.5 安装配置方法图文教程
2018/09/18 Python
Python读取csv文件分隔符设置方法
2019/01/14 Python
jupyternotebook 撤销删除的操作方式
2020/04/17 Python
Pytorch数据拼接与拆分操作实现图解
2020/04/30 Python
css3过渡_动力节点Java学院整理
2017/07/11 HTML / CSS
地球上最先进的胡子和头发修剪器:Bevel
2018/01/23 全球购物
美国值得信赖的婚恋交友网站:eHarmony
2018/10/04 全球购物
北美最大的手工艺品零售商之一:Michaels Stores
2019/02/27 全球购物
软件测试面试题
2014/01/05 面试题
运动会广播稿200米
2014/01/27 职场文书
年终总结会议主持词
2014/03/17 职场文书
大学生赌博检讨书
2014/09/22 职场文书
2014年超市工作总结
2014/11/19 职场文书
2015教师年度工作总结范文
2015/04/07 职场文书
教师节主持词开场白
2015/05/29 职场文书
初中数学课堂教学反思
2016/02/17 职场文书
CSS作用域(样式分割)的使用汇总
2021/11/07 HTML / CSS