TF-IDF 是一种将一个文档表示为一个单词权重的向量的方法，它可以反映每个单词在文档中的重要性和区分度。TF-IDF 的计算公式如下：
其中， 表示单词
在文档
中的词频，即出现的次数。
表示单词
的逆文档频率，即所有文档的数量除以包含单词
的文档的数量的对数。
的作用是降低常见单词的权重，提高稀有单词的权重。
例如，假设我们有以下三个文档：
• 文档 1：This is a good book.
• 文档 2：This is a bad book.
• 文档 3：This book is not good.
我们可以用 TF-IDF 来将每个文档表示为一个单词权重的向量，首先我们需要计算每个单词的 TF 和 IDF 值：
| 单词 | TF(文档 1) | TF(文档 2) | TF(文档 3) | IDF |
|---|---|---|---|---|
| this | 1/5 | 1/5 | 1/5 | log(3/3) = 0 |
| is | 1/5 | 1/5 | 1/5 | log(3/3) = 0 |
| a | 1/5 | 1/5 | 0/5 | log(3/2) = 0.176 |
| good | 1/5 | 0/5 | 1/5 | log(3/2) = 0.176 |
| bad | 0/5 | 1/5 | 0/5 | log(3/1) = 0.477 |
| book | 1/5 | 1/5 | 1/5 | log(3/3) = 0 |
| not | 0/5 | 0/5 | 1/5 | log(3/1) = 0.477 |
然后我们可以用 TF-IDF 公式来计算每个单词在每个文档中的权重，例如：
最后我们可以将每个文档表示为一个由单词权重组成的向量，例如：
• 文档 1：[0, 0, 0.035, 0.035, 0, 0, 0]
• 文档 2：[0, 0, 0.035, 0, 0.095, 0, 0]
• 文档 3：[0, 0, 0, -0.035, -0.095, -0.095]
这样，我们就可以用 TF-IDF 将一个文档表示为一个单词权重的向量
