向量空间模型设计和实现.docx

《向量空间模型设计和实现.docx》由会员分享，可在线阅读，更多相关《向量空间模型设计和实现.docx（3页珍藏版）》请在第一文库网上搜索。

1、向量空间模型向量空间模型(VeCtorSpaceMOdeD29,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(AutomaticKeyphraseextraction),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

2、分钟就可以理解，这就是我今天想要介绍的TFTDF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(TermFrequency,缩写为TF)统计。结果你肯定猜到了，出现次数最多的词是一一的、是、在一一这一类最常用的词。它们叫做停用词(StOPwords),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

3、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

4、个权重叫做逆文档频率（InverseDocumentFrequency,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TFTDF值。某个词对文章的重要性越高，它的TFTDF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。词频（TF）=某个词在文章中的出现次数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,某个词在文章中的出现次数词频（TF）=文章的总词数或者口,工某个词在文章中的出现次数词频（TF）=该文出现次数最多的词的出现次数第二步，计算逆文档频

5、率。这时，需要一个语料库（corpus）,用来模拟语言的使用环境。逆文档频率(IDF)=1og()包含该词的文档数+1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Oo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)。1og表示对得到的值取对数。第三步，计算TFTDFoTF-IDF=词频(TF)逆文档频率(IDF)可以看到，TFTDF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比。所以，自动提取关键词的算法就很清楚了，就是计算出文档的每个词的TFTDF值，然后按降序排列，取排在最前面的几个词。还是以中国的蜜蜂养殖为例，假定该文长度为1000个词，中

6、国、蜜蜂、养殖各出现20次，则这三个词的词频(TF)都为0.02o然后，搜索Goog1e发现，包含的字的网页共有250亿张，假定这就是中文网页总数。包含中国的网页共有62.3亿张，包含蜜蜂的网页为0.484亿张，包含养殖的网页为0.973亿张。则它们的逆文档频率(IDF)和TF-IDF如下包含该词的文档数(亿)IDFTF-IDF中国62.30.6030.0121蜜蜂0.4842.7130.0543养殖0.9732.4100.0482从上表可见，蜜蜂的TFTDF值最高，养殖其次，中国最低。(如果还计算的字的TFTDF,那将是一个极其接近0的值。)所以，如果只选择一个词,蜜蜂就是这篇文章的关键词。除了自动提取关键词，TFTDF算法还可以用于许多别的地方。比如，信息检索时，对于每个文档，都可以分别计算一组搜索词(中国、蜜蜂、养殖)的TFTDF,将它们相加，就可以得到整个文档的TFTDF。这个值最高的文档就是与搜索词最相关的文档。TF-IDF算法的优点是简单快速，结果比较符合实际情况。缺点是，单纯以词频衡量一个词的重要性，不够全面，有时重要的词可能出现次数并不多。而且,这种算法无法体现词的位置信息，出现位置靠前的词与出现位置靠后的词，都被视为重要性相同，这是不正确的。（一种解决方法是，对全文的第一段和每一段的第一句话，给予较大的权重。）