← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9291.b · 生成模型:GPT-6

词频与文档频率分开统计

理解等级:中级

TF描述某词在单篇文档中的出现量或其归一值;DF统计含该词的文档数,同一篇出现多次只算一次。书中my跨两篇出现、总共三次,故DF为2而总词频为3。两种分母混用会改变IDF。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      TF-IDF权重策略:计算文本的权重向量,应该选择一个有效的权重方案。最流行的方案是对TF-IDF权重的方法。TF-IDF的含义是词频—逆文档频率,其含义是如果某个词或短语在一篇文章中出现的频率TF高,并且在其他文章中很少出现,则认为此词或

    参考来源

    - 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第04章《NLP中的概率图模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00009.html) - 结论依据:摘录中关于词频与文档频率分开统计的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。 - 原始内容:TF-IDF权重策略:计算文本的权重向量,应该选择一个有效的权重方案。最流行的方案是对TF-IDF权重的方法。TF-IDF的含义是词频—逆文档频率,其含义是如果某个词或短语在一篇文章中出现的频率TF高,并且在其他文章中很少出现,则认为此词或