TFIDF

Z Wikipedii, wolnej encyklopedii
Skocz do: nawigacji, wyszukiwania

TFIDF (ang. TF – term frequency, IDF – inverse document frequency) - ważenie częstością termów - odwrotna częstość w dokumentach - jedna z metod obliczania wagi słów w oparciu o liczbę ich wystąpień, należąca do grupy algorytmów obliczających statystyczne wagi termów. Każdy dokument reprezentowany jest przez wektor, składający się z wag słów występujących w tym dokumencie. TFIDF informuje o częstości wystąpienia termów uwzględniając jednocześnie odpowiednie wyważenie znaczenia lokalnego termu i jego znaczenia w kontekście pełnej kolekcji dokumentów.

Algorytm stosowany jako metoda oceny relewantności dokumentu w wyszukiwarkach internetowych, kolejnym zastosowaniem jest ocena podobieństwa dokumentów w systemach grupowania wyników oraz systemach typu antyplagiat.

Wartość TF-IDF oblicza się ze wzoru:

 \mathrm{(tf\mbox{-}idf)_{i,j}} = \mathrm{tf_{i,j}} \times  \mathrm{idf_{i}}

Gdzie tf_{i, j} to tzw. "term frequency", wyrażana wzorem:

 \mathrm{tf_{i,j}} = \frac{n_{i,j}}{\sum_k n_{k,j}}

Gdzie n_{i,j} jest liczbą wystąpień termu (t_{i}) w dokumencie d_{j}, a mianownik jest sumą liczby wystąpień wszystkich termów w dokumencie d_{j}.

idf_{i} to "inverse document frequency", wyrażana wzorem:

 \mathrm{idf_{i}} =  \log \frac{|D|}{|\{d: t_{i} \in d\}|}

Gdzie:

  •  |D| : to liczba dokumentów w korpusie
  •  |\{d : t_{i} \in d\}|  : liczba dokumentów zawierających przynajmniej jedno wystąpienie danego termu.

Zobacz też[edytuj | edytuj kod]

Linki zewnętrzne[edytuj | edytuj kod]