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
解读Django框架中的低层次缓存API
Jul 24 Python
Python的Flask框架中集成CKeditor富文本编辑器的教程
Jun 13 Python
python连接数据库的方法
Oct 19 Python
Python实现PS图像调整黑白效果示例
Jan 25 Python
使用NumPy和pandas对CSV文件进行写操作的实例
Jun 14 Python
对python:threading.Thread类的使用方法详解
Jan 31 Python
详解Python静态网页爬取获取高清壁纸
Apr 23 Python
Python assert关键字原理及实例解析
Dec 13 Python
Tensorflow训练MNIST手写数字识别模型
Feb 13 Python
PageFactory设计模式基于python实现
Apr 14 Python
简单介绍一下pyinstaller打包以及安全性的实现
Jun 02 Python
Python Selenium实现无可视化界面过程解析
Aug 25 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+Mysql基于事务处理实现转账功能的方法
2015/07/08 PHP
PHP Callable强制指定回调类型的方法
2016/08/30 PHP
HTML中Select不用Disabled实现ReadOnly的效果
2008/04/07 Javascript
JavaScript中的排序算法代码
2011/02/22 Javascript
js不完美解决click和dblclick事件冲突问题
2012/07/16 Javascript
Js如何判断客户端是PC还是手持设备简单分析
2012/11/22 Javascript
判断javascript的数据类型(示例代码)
2013/12/11 Javascript
js实现身份证号码验证的简单实例
2014/02/19 Javascript
深入理解javascript构造函数和原型对象
2014/09/23 Javascript
JS对字符串编码的几种方式使用指南
2015/05/14 Javascript
js判断checkbox是否选中个数的方法(超简单)
2016/08/19 Javascript
JavaScript设计模式之代理模式简单实例教程
2018/07/03 Javascript
iconfont的三种使用方式详解
2018/08/05 Javascript
javascript中一些奇葩的日期换算方法总结
2018/11/14 Javascript
js实现无缝轮播图效果
2020/03/09 Javascript
JavaScript cookie原理及使用实例
2020/05/08 Javascript
python中os.remove()用法及注意事项
2021/01/31 Python
TripAdvisor瑞典:全球领先的旅游网站
2017/12/11 全球购物
现代生活方式的家具和装饰:Dot & Bo
2018/12/26 全球购物
黑猩猩商店:The Chimp Store
2020/02/12 全球购物
Java提供了哪些企业应用编程接口
2015/02/13 面试题
请解释流与文件有什么不同
2016/07/29 面试题
产品开发计划书
2014/04/27 职场文书
保护环境倡议书300字
2014/05/19 职场文书
保护环境的标语
2014/06/09 职场文书
中秋节活动总结
2014/08/29 职场文书
民警群众路线教育实践活动对照检查材料
2014/10/04 职场文书
家庭困难证明
2014/10/12 职场文书
开业庆典致辞
2015/08/01 职场文书
2016高考感言
2015/08/01 职场文书
严以律己学习心得体会
2016/01/13 职场文书
女人创业励志语录,句句蕴含能量,激发你的潜能
2019/08/20 职场文书
Python socket如何解析HTTP请求内容
2022/02/12 Python
redis数据结构之压缩列表
2022/03/21 Redis
vue中this.$http.post()跨域和请求参数丢失的解决
2022/04/08 Vue.js
postgresql如何找到表中重复数据的行并删除
2023/05/08 MySQL