Tf-idf (术语频率-逆文档频率) 是信息检索 (IR) 中使用的统计度量,用于评估文档中术语相对于文档集合的重要性。它结合了两个组件: 词频 (TF) 和逆文档频率 (IDF)。
TF是术语在文档中出现的次数,而IDF则衡量术语在所有文档中的常见或罕见程度。Tf-idf的公式是这两个值的乘积: Tf-idf = TF * IDF。如果某个术语在文档中频繁出现,但在所有文档中很少出现,则它将具有较高的tf-idf值,表明它对该文档很重要。
例如,如果术语 “神经网络” 在文档中频繁出现但在整个语料库中很少出现,则 “神经网络” 的tf-idf值将很高,从而表明其与文档的相关性。Tf-idf广泛用于排名搜索结果,文本分类和文档聚类,因为它有助于识别文档中最重要的术语。