当前位置:首页 >  站长 >  搜索优化 >  正文

TF-IDF:传统IR的相关排序技术(二)

 2013-08-26 10:04  来源: Rude的博客   我来投稿   Rude的个人主页 撤稿纠错

  短视频,自媒体,达人种草一站服务

 

既然是二,就是顺着上一篇文章《TF-IDF:传统IR的相关排序技术》写下来的。所以,有兴趣的同学请先看完第一篇文章再来继续。

好,我们继续开始二。

关于词频,只要你的分词工具够牛逼,就很好理解和实现。关于反文档频率,各位亲们,看到时会不会初时感觉很牛叉,然后细想会很有疑惑?

逆文档频率(idf)=log(文档总数/包含关键词的文档数量)

对,疑惑就在怎么获得“文档总数”与“包含关键词的文档数量”上。

在搜索引擎上,可以有一个不错的替代方式,下面听我细细道来。

每篇文章每个网页几乎都含有“的”这个字,嗯,你想到了吧。在搜索引擎中搜这个字,出来的结果数量可以理解为所有的文档数量,然后再搜你的目标词即为包含这个词的文档数量,这一数据也就得到了解决,下面是我弄的一个例子:

反文档频率

 

好了,有了这些数据,我们接下来看看能够做些什么出来。

将网站中每个网页进行分词,去掉语气助词停顿词之后按照tf-idf值从大到小进行排序。

网页A={a1,b1,c1,d1,e1……z1}

网页B={a1,b2,c1,d5,e2……z6}

网页C={a2,b1,c2,d1,e2……z2}

……

显然从{a1,b1,c1,d1,e1……z1}中就可以了解到网页A所表达的意思,B、C亦然。

如果通过一个方法将A、B、C中的词进行比对,那岂不是就可以算出来……,你想对了,页面之间的相似程度。

这个方法,就是余弦值。具体操作,如下:

我们首先从A、B、C中选出前N个可以表达页面主题的词,组成一个集合。

{a1,c1,d1,e1,b2,d5,e2,a2,b1,c2}

然后计算A、B、C页面针对这个集合中每个词的词频(如有必要,请使用相对词频),组成对应的向量。

A=[2,1,3,5,0,0,0,0,1,0]

B=[……]

C=[……]

请记住这个高中时就学到的公式。

余弦值与相似度

 

OK,经过此公式的计算,不但是页面之间的相似度,同样一个页面最相关的推荐文章也即可由此产生。

有兴趣的同学们,请试验一下吧。

转载请注明链接地址。

申请创业报道,分享创业好点子。点击此处,共同探讨创业新机遇!

作者: Rude    /    文章:15篇

相关文章

  • 百度导航“结姻”e路航 百度LBS跨界传统硬件助产业升级

    岁末年初,互联网行业持续一年的跨界风潮再演续集。近日,移动互联网导航产品“百度导航”与传统PND硬件厂商“e路航导航”宣布正式合作,预装有百度导航的e陆航导航仪在京东开售。据悉,百度导航是首款和车载导航硬件产品进行深度合作的移动LBS产品,在互联网产品与硬件界限日趋模糊的大背景下,百度导航此举顺势而

  • 心理作怪 用文章的方式和大家侃侃而谈

    感觉我今晚就是在纠结中度过,对于已经有一段时间没有写文章的我,似乎不知道该如何开头,或许这是你看到的最烂的一篇文章的开头,其实,在这里,我没有明确的主题要展示给大家阅读,因为现在的一些深入的信息我没有了解到,看到的只是几乎所有的朋友都能看到的信息。其实我仅仅是一段时间没有写文章,又突然想写那么篇却不

    标签:
    方式
    心理
    文章
  • 搜了网:传统电商挖掘优势 线上线下结合提高营销效果

    2012年CCTV经济年度人物颁奖晚会上,马云说:“电子商务今天不是模式的创新,而是一种生活方式的变革。”王健林说:“零售商如果线上线下结合,一定会做得很好”,并拿出1个亿来跟马云赌2020年电商市场份额,史称亿元豪赌。不过,输赢不重要,我们只是观众,但土豪们观点却是一致的,那就是互联网购已经成为各

  • 每日话题:传统银行进军P2P网贷业务面临的风险是否降低?

    站长网(www.admin5.com)10月18日消息,互联网金融,尤其是P2P网贷可以说一直是人们讨论的热点。即使是频繁的P2P平台跑路事件也无法阻挡人们进入P2P行业的脚步。这不日前,招行的小企业融资平台“小企业e家”上,一个名为“e+稳健融资项目”的投融资平台悄然上线,目前已经完成6期项目发行

  • 我眼中的360和搜狗浏览器

    之所以说这两浏览器都流氓就是因为:只要我不在,不超两天,家里电脑肯定会被装上360浏览器或搜狗浏览器。不过换句话说回来:不就是改个默认浏览器吗,国内软件都一个德行。流氓的推广手法+优秀的细节处理成就了国内第二的360浏览器,不过搜狗只学会了第一招。

  • 企业网站SEO优化好处,为何要操作互联网推广

    SEO优化全称搜索引擎优化,为何大中小企业都建议操作SEO优化推广,网站优化的意义何在?是提升关键词排名,增加网站收录量,还是品牌塑造和竞品突围?且听推推蛙慢慢道来。

    标签:
    企业网站优化
  • 网站优化需要注意的细节有哪些

    我们可以看到现在很多企业都在做网站SEO优化,在做优化的时候有很多细节是需要注意的,站长们都知道网站抓取频率的重要性,有时会遇到抓取频率比较低的网站,这会影响网站收录的,那么接下来具体为大家介绍一下网站优化的注意事项。

  • 百度搜索正式升级冰桶算法5.0

    从冰桶算法5.0升级通知解读看,这次冰桶算法5.0算法升级,核心点就一个,主要打击网站调起APP的行为,类似点击“阅读全文”强制跳转APP下载页和百度搜索结果中点击搜索结果调起APP都是打击的对象,直接点讲就是百度禁止网站出现在百度搜索结果页中点击搜索结果链接跳转到其他APP行为。

    标签:
    百度算法
  • 百度反推算法,又一次站长和百度之间的较量

    最近在站长圈里最火的莫过于百度反推算法,这个反推逻辑,也就是用结果反推过程,揭秘了百度收录的秘密。这个原理是什么?我们经过实际测试知道,百度投诉快照是可以引来蜘蛛的

榜单

热门排行

信息推荐

扫一扫关注最新创业资讯