织梦CMS - 轻松建站从此开始!

试管婴儿是自己亲生的吗_试管婴儿多少钱_365国际助孕中心

当前位置: 主页 > 人工授精 >

都可以分别计算一组搜索词(中国、蜜蜂、养殖

时间:2019-10-01 07:52来源:未知 作者:admin 点击:
这个标题TF-IDF算法自动提取关键词看上去好像很复杂,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

  这个标题“TF-IDF算法自动提取关键词”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?

  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。

  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,【武汉柒月健康】卵巢早衰经过治疗后能恢复卵它的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。

  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)。“好孕”微语音——人工授精成功,log表示对得到的值取对数。

  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,俄罗斯试管婴儿:胚胎移植,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:

  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,厦门市妇幼院相关问答,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,去泰国做试管婴儿需要多久大概多少钱?,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。)

(责任编辑:admin)
织梦二维码生成器
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名: 验证码:点击我更换图片