搜索引擎算法中TF-IDF是什么意思

充分的搜索算法什意思了解搜索引擎算法才能真正掌握seo優(yōu)化技術(shù)，所以在一開(kāi)始的引擎s(′?｀*)eo技術(shù)的學(xué)習當中就要不斷的由淺入深的去建立(li)這方面更ヽ(′▽?zhuān)?ノ加專(zhuān)業(yè)的認知。在seo基礎學(xué)習當中如果不去了解(′?ω?`)和認識搜索引擎，搜索算法什意思確實(shí)是引擎無(wú)法通過(guò)純白帽seo來(lái)完成一個(gè)網(wǎng)站的優(yōu)化，今天大寶seo博客和朋友們分享一下搜索引擎算法中T(′?｀*)F-IDF是搜索算法什意思什么意思，以下內容轉載自百度百科。引擎

TF-IDF（term frequency–inverse document frequency）是搜索算法什意思一種用于信息檢索與數據挖掘的常用加權技術(shù)。TF是引擎詞頻(Te(′?ω?`)rm Frequency)，IDF是搜索算法什意思逆文本頻率指數(Inver(?_?;)se Document Fre??quency)。TF-IDF??是引擎一種統計方法，用以評估一字詞對于一個(gè)文件集或一個(gè)語(yǔ)料庫中的搜索算法什意思其中一份文件的?重要程度。字詞的引擎重要性隨著(zhù)它??在文件中出現的次數成正比增加，但同時(shí)會(huì )隨著(zhù)它在語(yǔ)料庫中出現的搜索算法什意思頻率成反比下降。TF-IDF加權的引擎各種形式常被搜索引??擎應用，作為文件與用戶(hù)查詢(xún)之間相關(guān)程度的搜索算法什意思度量或評級。除了TF-IDF以外，因特網(wǎng)上??的搜索引擎還會(huì )使用基于鏈接分析的評級方法，以確定文件在搜尋結果中出現的順序。

TFIDF的主要思想是：如果某個(gè)詞或短語(yǔ)在一篇文章中出現的頻率TF高，并且在其他文章??中很少出現，則認為此詞或者短語(yǔ)具有很好的類(lèi)別區分能力，適合用來(lái)分類(lèi)。TFIDF實(shí)際上是：TF * IDF，TF詞頻(Term Frequency)，IDF逆向文件頻率(Inver??se Document Frequency)。TF表示詞條在文檔d中出現的頻率。IDF的主(′▽?zhuān)?要思想是：如果包含詞條t的文檔越少，也就是n越小，IDF越大，則說(shuō)明詞條t具有很好的類(lèi)別區分能力。如果某一類(lèi)文檔C中包含詞條t的文檔數為m，而其它類(lèi)包含t的文檔總數為k，顯然所有包含t的文檔數n=m+k，當m大的時(shí)候，n也大，按照ID(°ロ°) !F公式得到的IDF的值會(huì )小，就說(shuō)明該詞條t類(lèi)別區分能力不強。但是實(shí)際上，??如果一個(gè)詞條在一個(gè)類(lèi)的(de)文檔中頻繁出現，則說(shuō)明該詞條能夠很好代表這個(gè)類(lèi)的文本的特征，這樣的詞條應該給它們賦予較高的權重，并選來(lái)作為該類(lèi)文本的特征詞以區別??與其它類(lèi)文檔。這就是IDF的不足之處. 在一份給定的文件里，詞頻（ter???m frequency，TF）指的是某一個(gè)給定的詞語(yǔ)在該文件中出現的頻率。這(zhe)個(gè)數字是對詞數(term count)的歸一化，以防止它偏向長(cháng)的文件(′ω｀*)。（同一個(gè)詞語(yǔ)在長(cháng)文件里可能會(huì )比短文件有更高的詞數，而不管該詞語(yǔ)重要與否。）

TFIDF算法是建立在這樣一個(gè)假設之上(shang)的：對區別文檔最有意義的詞語(yǔ)應(ying)該是那些在文檔中出現頻率高，而在整個(gè)文檔集合的其他文檔中出現頻率少的詞語(yǔ)，所以如果特征空間坐標系取TF詞頻作為測度，就可以體現同類(lèi)文本的特點(diǎn)。另外考慮到單詞區別不同類(lèi)別的能力，TFIDF法認??為一個(gè)單詞出現的文本頻數越小，它區別不同類(lèi)別文本的能力就越大。因此引入了逆文本頻度IDF的概念，以TF和ID(′▽?zhuān)?F的乘積作為特征空間坐標系的(de)取值測度，并用它完成對權值TF的??調整，調整權值的目的在于突出重要單詞，抑制次要單詞。但是在本質(zhì)上IDF是一種試圖抑制噪音的加權 ，并且單純地認為文本頻數小的單詞就越重要，文本頻數大的單詞就越無(wú)用，顯然這并不是完全正確的??。IDF的簡(jiǎn)單結構并(bing)不能有效地反映單詞的重要程度和特征詞的分布情況，使其無(wú)法很好地完成對權值調整的功能，所以T(′ω｀)FIDF法的精度并不是很高。

TF-IDF 模型是搜索引擎等實(shí)際應用中被廣泛使用的信息檢索模型(xing)，但對于 TF-IDF 模型一直存在各種疑問(wèn)。本文為信息檢索問(wèn)題一種基于條件概??率的盒子小球模型，其核心思(′?｀*)想是把“查詢(xún)串q和文檔d的匹??配度問(wèn)題”轉化為“查詢(xún)串q來(lái)自于文檔??d的條件概率問(wèn)題”。它從概率的視角???為信息檢索問(wèn)題定義了比 TF-IDF 模型所表達的匹配度更為清???晰的目標。此模型可將 TF-IDF 模型納入其中(zhong)，一方面解釋其合理性，另一方面也發(fā)現了其不完善之處。另外，此模型還可以解ヾ(?■_■)ノ釋 PageRank 的意義，以及 PageRank 權重和 TF-IDF 權重之間為什么是乘積關(guān)系。