TFIDF

TFIDF (ang. TF – term frequency, IDF – inverse document frequency) – ważenie częstością termów – odwrotna częstość w dokumentach – jedna z metod obliczania wagi słów na podstawie liczby 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 wyszukiwaniu informacji, w szczególności stosowany w wyszukiwarkach internetowych, kolejnym zastosowaniem jest ocena podobieństwa dokumentów w systemach grupowania wyników oraz systemach typu antyplagiat.

Wartość TF-IDF oblicza się ze wzoru:

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

gdzie $\mathrm {tf_{i,j}}$ 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 $d_{j}.$ Wielkość $\mathrm {idf_{i}}$ to „inverse document frequency” wyrażana wzorem:

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

gdzie:

$|D|$ – liczba dokumentów w korpusie,

$|\{d:t_{i}\in d\}|$ – liczba dokumentów zawierających przynajmniej jedno wystąpienie danego termu.

Bibliografia

• Waga Termów w Automatycznych Systemach Przetwarzania Tekstu [en]

Zobacz też

• PageRank
• TF