TF-IDF 商品推荐用户短期兴趣与长期爱好的识别
来源:互联网 发布:修改身份证号码软件 编辑:程序博客网 时间:2024/05/10 12:05
TF-IDF
TF-IDF:term frequency–inverse document frequency
词频除以出现该词的文档数
提取关键词
假定现在有一篇长文《中国的蜜蜂养殖》,我们准备用计算机提取它的关键词
1. 词频(Term Frequency,缩写为TF) 统计,找到出现次数最多的词。如果某个词很重要,它应该在这篇文章中多次出现
2. 停用词( stop words ) 表示对找到结果毫无帮助、必须过滤掉的词,出现次数最多的词是”的”、”是”、”在“ 这一类最常用的词。
3. 重要性调整系数:如果某个词比较少见,但是它在这篇文章中多次出现,那么它很可能就反映了这篇文章的特性,正是我们所需要的关键词.
4. 逆文档频率(Inverse Document Frequency缩写为IDF)
用统计学语言表达,就是在词频的基础上,要对每个词分配一个”重要性”权重。最常见的词(”的”、”是”、”在”)给予最小的权重,较常见的词(”中国”)给予较小的权重,较少见的词(”蜜蜂”、”养殖”)给予较大的权重。这个权重叫做”逆文档频率”(Inverse Document Frequency,缩写为IDF),它的大小与一个词的常见程度成反比。
将”词频”(TF)和”逆文档频率”(IDF)相乘,就得到了一个词的TF-IDF值。某个词对文章的重要性越高,它的TF-IDF值就越大。所以,排在最前面的几个词,就是这篇文章的关键词。
步骤:
1. 计算词频(标准化)
2. 计算逆文档频率
优点
简单快速,结果比较符合实际情况
缺点
单纯以”词频”衡量一个词的重要性,不够全面,有时重要的词可能出现次数并不多。而且,这种算法无法体现词的位置信息,出现位置靠前的词与出现位置靠后的词,都被视为重要性相同,这是不正确的。(一种解决方法是,对全文的第一段和每一段的第一句话,给予较大的权重。)
爱好识别
短期兴趣:
指的是收到外界因素的影响,例如出差需要定机票车票还有酒店。
长期爱好:
指的是对于人自身长期养成的习惯和爱好,例如集邮。
识别长期爱好和短期兴趣,有利于提高商品的推荐的准确度。
在一定时间t内,用户1发生行为a的次数为num(a)user=1
e=num(a)t,user=1/num(a)t,user=all当e越大,说明该行为为长期爱好的可能性很大相反,可能为短期兴趣
- TF-IDF 商品推荐用户短期兴趣与长期爱好的识别
- 我的兴趣与爱好
- 长期与短期
- 兴趣与爱好
- 关于使用TF-IDF模型来推荐歌曲给微博用户的收获
- TF-IDF与余弦相似性的应用
- TF-IDF与余弦相似性的应用
- TF-IDF与余弦相似性的计算
- TF-IDF与余弦相似性的应用
- TF-IDF与余弦相似性的应用
- TF-IDF的原理与应用
- TF-IDF与余弦相似性的应用
- TF-IDF与余弦相似性的应用
- 运用TF-IDF 提取特征词 k-means 挖掘微博的兴趣特征群体
- TF-IDF与关键字提取
- 信息理论与tf-idf
- 文本分词与TF-IDF
- 识别趋势和发展短期和长期策略
- 设计模式之单例设计模式(Singleton)
- Java 匿名内部类
- org.apache.hadoop 的jar包下载地址
- mysql安装出现的问题
- 【GDAL学习资料】(持续更新)
- TF-IDF 商品推荐用户短期兴趣与长期爱好的识别
- 处理-word2016图片交叉引用时选择插入只有标签和编号时候却插入了图片
- Xcode运行错误:failed to get the task for process XXX
- 51nod1072 求解一个图里面的强联通分量
- Android Intent调用大全、系统自带Intent调用大全
- c#对上传的文件对象HttpPostedFile的获取
- ExpandableListView(可折叠列表)的基本使用
- java swing awt绘制一个图片查看器 图片显示 图片控件
- 使用jQuery Mobile和Phone Gap开发Android应用程序