TF-ICF称为术语频率-逆语料库频率（Term Frequency – Inverse Corpus Frequency），他不需要来自文档集合中其他文档的词频信息，因此能够使我们在线性时间内生成N个流文档的文档向量。
这种新的术语加权方案消除了动态文档聚类中的技术瓶颈，其中TF-IDF的逆文档频率（IDF）由逆语料库频率（ICF）值代替，将生成的N个动态文档的表示的计算复杂度从O(N^2)降低到O(N)。
TF-IDF的计算公式：
这里，wij是文献i中j项的权重；fij是j项在文档i 中出现的次数(TF)；N是文档的总数；并且nj是术语j至少出现一次的文档的数量。(nj/N)通常被称为术语j的文档频率(DF ),自然地，(N/nj)被称为术语j的逆文档频率(IDF)。
另外，还有多种术语加权的计算方法，各个方法及其计算公式如下图所示：
这些术语加权方案的一个共同特征就是它们都需要整个文档集合的知识。换句话说如果使用基于TF-IDF的方法来生成文档表示，则新到达的文档需要重新计算现有文档向量的权重，因此，任何依赖于文档向量的应用程序也会受到影响。这个事实极大地阻碍了它们在需要实时处理动态数据流的应用中的使用。
因此提出TF-ICF计算方法，其计算公式为：
这个公式中的N是语料库中的文档总数，nj是术语j在语料库中出现一次或多次的文档数。因此，处理N个文档的计算复杂度是O(N)。相比之下，为了达到同样的效果，TF-IDF及其变体的计算复杂度为O(N^2)。重要的是要注意，数据流中的文档可能包含语料库中没有表示的术语。在这种情况下，nj被定义为0。
这种新的术语加权方案TF-ICF，作为实时无监督文档聚类问题的解决方案，主要思想是使用构思良好的静态语料库来近似关于未知文档集的信息。因此，它克服了现有的基于TF-IDF的方法的局限性，在这些方法中，必须预先知道要聚类的文档集，否则，高计算复杂度是不可避免的。
阅读文献：TF-ICF: A New Term Weighting Scheme for Clustering Dynamic Data Streams（2006）
