TF-IDF 商品推荐用户短期兴趣与长期爱好的识别

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