向量空间模型.pdfVIP

向量空间模型 向量空间模型 (Vector Space Model)[29], 简称 VSM,这是文本建模中常用的 模型之一。它的主要思想是将词语看成孤立的，互不相关的，也就是所谓的“词 袋” ; 这样就可以将文本转化为多维度的空间向量来表示，向量维度一般是词语， 可以用维度的权重来表示词语的某些特性。 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，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。 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 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。 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 。 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