不同长度的tf-idf文件

Question

我在网上搜索了有关在文档长度非常不同的情况下标准化 tf 等级的信息 （例如，文档长度从 500 字到 2500 字不等）

我发现的唯一规范化是关于在文档长度中划分词频，因此导致文档长度没有任何意义。

这种方法虽然对于标准化 tf.如果有的话，它会导致每个文档的 tf 等级有一个非常大的偏差（除非所有文档都是从几乎相同的字典构建的，使用 tf-idf 时不是这种情况）

例如，让我们获取 2 个文档 - 一个包含 100 个唯一单词，另一个包含 1000 个唯一单词。 doc1 中的每个单词的 tf 为 0.01，而 doc2 中的每个单词的 tf 为 0.001

这会导致 tf-idf 等级在匹配 doc1 的单词时自动大于 doc2

有没有人建议更合适的归一化公式？

谢谢

编辑 我还看到了一种方法，说明我们应该将词频除以每个文档的文档的最大词频 这也解决不了我的问题

我的想法是从所有文档中计算最大词频，然后通过将每个词频除以最大值来归一化所有词

很想知道你的想法

Answer 1

您的分析目标是什么？

如果您的最终目标是比较文档之间的相似性 (et simila)，您不应该在 tfidf 计算阶段担心文档长度。这就是原因。

tfidf 表示您在公共向量空间中的文档。如果你然后计算这些向量之间的余弦相似度，余弦相似度补偿了不同文档长度的影响。原因是余弦相似度评估向量的方向而不是它们的大小。我可以用python向你展示这一点： 考虑以下（愚蠢的）文档

document1 = "apple apple banana"
document2 = "apple apple apple apple banana banana"

documents = (
    document1,
    document2)

这些文档的长度不同，但内容相同。 更准确地说，两个文档中词条的相对分布是相同的，但词条的绝对频率不同。

现在，我们使用 tfidf 在公共向量空间中表示这些文档：

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_vectorizer = TfidfVectorizer()
tfidf_matrix = tfidf_vectorizer.fit_transform(documents)

我们使用余弦相似度来评估这些矢量化文档的相似度，方法是只查看它们的方向（或方向），而不关心它们的大小（即它们的长度）。我正在评估文档一和文档二之间的余弦相似度：

from sklearn.metrics.pairwise import cosine_similarity
cosine_similarity(tfidf_matrix[0], tfidf_matrix[1])

结果为 1。请记住，当两个向量具有完全相同的方向时，两个向量之间的余弦相似度等于 1，当它们正交时为 0，当向量具有相反方向时为 -1。

在这种情况下，您可以看到余弦相似度不受文档长度的影响，并且捕获了原始文档中术语的相对分布相同的事实！如果您想将此信息表示为文档之间的“距离”，那么您可以简单地这样做：

1 - cosine_similarity(tfidf_matrix[0], tfidf_matrix[1])

当文档相似（不管它们的长度）时，该值将趋于 0，当它们不相似时，该值将趋于 1。