词项频率
对文档中的每个词项都赋予了一个权重，它取决于该词项在文档中出现的次数
将权重设置 为 t 在文档中的出现次数。这种权重计算的结果称为词项频率（term frequencey），记为
-
逆文档频率
-
思想：在一个有关汽车工业的文档集中，几乎所有的文档都会包含 auto，此时，auto就没有区 分能力。是给文档集频率[词项在文档集中出现的次数]较高的词项赋予较低的权重
-
：文档频率，出现t的所有文档数
-
：逆文档频率
：所有文档的数目
-
性质：一个罕见词的 idf 往往很高，而高频词的 idf 就可能较低
image
-
-
权重计算
-
t在少数文档中出现，权值最大
t在很多文档中出现/在文档中出现次数很少，权重次之
t在所有文档中出现，权重最小
-
重合度评分指标：文档的得分是所有查询词项在文档中的出现次 数tf之和。当然，我们可以对这种方法进行修正，即不采用tf而采用tf-idf权重求和
-
查询和文档之间的余弦相似度
-
用夹角余弦值代替欧氏距离
-
公式
image
是第i 个词项在查询q中的tf-idf权重
是第i 个词项在文档d中的tf-idf权重
-
举例
- 三部小说的相似度，列出tf
image
-
image
网友评论