tf-idf
読み方：てぃーえふあいでぃーえふ
tf-idfとは、情報探索やテキストマイニングなどの分野で利用される、文書中に出現した特定の単語がどのくらい特徴的であるかを識別するための指標のことである。
tf-idfの内、「tf(term frequency)」は、その文書の中で特定の単語が出現した回数を表し、「idf(inverse document frequency)」は、コーパス全体の中でその文書を含む文書数の自然対数を表し、「tf×idf」が、その文書中におけるその単語のtf-idf値となる。
tf-idfによる重み付けを利用したアルゴリズムは広く「tf-idf法」と呼ばれ、キーワード抽出や全文検索エンジンの重み付けなどに応用される。また、ベクトル空間モデルにおいて、文書間の類似度を判定する場合などにも、コサイン類似度を計算する際の、単語の特徴ベクトルとしてtf-idfの値が利用される。
Term frequency–inverse document frequency (tf-idf)
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/03/28 23:00 UTC 版)
「tf-idf」の記事における「Term frequency–inverse document frequency (tf-idf)」の解説
ここで、tf-idfは次のように計算される。 t f i d f ( t , d , D ) = t f ( t , d ) ⋅ i d f ( t , D ) {\displaystyle \mathrm {tfidf} (t,d,D)=\mathrm {tf} (t,d)\cdot \mathrm {idf} (t,D)} tf-idfの重みが高くなるのは、（与えられた文書内で）その単語の単語頻度(term frequency, tf)が高く、かつ、文書集合全体においてその単語の文書頻度(document frequency, df)が低い場合である。それゆえに、重みは普遍的な語をフィルタする傾向がある。idfの対数内の分数は常に1以上となるため、idf（とtf-idf)の値は常に0以上になる。単語がより多くの文書に現れる場合、対数の中の分数は1に近づき、それゆえにidfとtf-idfは0に近づく。 推奨されているtf–idf重み付け手法重み付け手法文書における利用クエリにおける利用1 f t , d ⋅ log N n t {\displaystyle f_{t,d}\cdot \log {\frac {N}{n_{t}}}} ( 0.5 + 0.5 f t , q max t f t , q ) ⋅ log N n t {\displaystyle \left(0.5+0.5{\frac {f_{t,q}}{\max _{t}f_{t,q}}}\right)\cdot \log {\frac {N}{n_{t}}}} 2 log ( 1 + f t , d ) {\displaystyle \log(1+f_{t,d})} log ( 1 + N n t ) {\displaystyle \log \left(1+{\frac {N}{n_{t}}}\right)} 3 ( 1 + log f t , d ) ⋅ log N n t {\displaystyle (1+\log f_{t,d})\cdot \log {\frac {N}{n_{t}}}} ( 1 + log f t , q ) ⋅ log N n t {\displaystyle (1+\log f_{t,q})\cdot \log {\frac {N}{n_{t}}}}
※この「Term frequency–inverse document frequency (tf-idf)」の解説は、「tf-idf」の解説の一部です。
「Term frequency–inverse document frequency (tf-idf)」を含む「tf-idf」の記事については、「tf-idf」の概要を参照ください。
- Term frequency–inverse document frequencyのページへのリンク
