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^[1], 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^[2].

Algorytm stosowany jako metoda oceny relewantności dokumentu w wyszukiwaniu informacji^[3], w szczególności stosowany w wyszukiwarkach internetowych^[4], kolejnym zastosowaniem jest ocena podobieństwa dokumentów w systemach grupowania wyników oraz systemach typu antyplagiat.

Wartość TF-IDF oblicza się ze wzoru^[3][4]:

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

gdzie ${\displaystyle \mathrm {tf_{i,j}} }$ to tzw. „term frequency”, wyrażana wzorem:

${\displaystyle \mathrm {tf_{i,j}} ={\frac {n_{i,j}}{\sum _{k}n_{k,j}}},}$

gdzie ${\displaystyle n_{i,j}}$ jest liczbą wystąpień termu ${\displaystyle (t_{i})}$ w dokumencie ${\displaystyle d_{j},}$ a mianownik jest sumą liczby wystąpień wszystkich termów w dokumencie ${\displaystyle d_{j}.}$ Wielkość ${\displaystyle \mathrm {idf_{i}} }$ to „inverse document frequency” wyrażana wzorem:

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

gdzie:

${\displaystyle |D|}$ – liczba dokumentów w korpusie,

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

• Waga Termów w Automatycznych Systemach Przetwarzania Tekstu [en]

• PageRank
• TF