TFIDF算法Java实现

一、算法简介

       TF-IDF（term frequency–inverse document frequency）是一种用于信息检索与数据挖掘中常用的加权技术。TF-IDF的概念被公认为信息检索中最重要的发明。在搜索、文献分类和其他相关领域有着广泛的应用。其具体应用包括关键词提取、文本相似度、自动摘要。

       TF-IDF的主要思想是如果某个词在一篇文章中出现的频率TF很高，而且在语料库中的其他文章中出现的频率很低，那么认为这个词对于这篇文章而言，携带的信息很多，也就越重要。因此词的重要性与词在文章中出现的频率成正比，与其在整个语料库中出现的频率成反比

       词频（term frequency，TF）指的是某一个给定的词语在给定文件中出现的频率。这个数字是对词数(term count)的归一化，以防止它偏向长的文件。（同一个词语在长文件里可能会比短文件有更高的词数，而不管该词语重要与否。）对于在某一特定文件里的词语  来说，它的重要性可表示为：

      以上式子中  是该词 在文件中的出现次数，而分母则是在文件中所有字词的出现次数之和。

      逆向文档频率（inverse document frequency，IDF）是一个词语普遍重要性的度量。某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到：

其中

• |D|：语料库中的文件总数
• ：包含词语的文件数目（即的文件数目）如果该词语不在语料库中，就会导致被除数为零，因此一般情况下使用

然后

      某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高权重的TF-IDF。因此，TF-IDF倾向于过滤掉常见的词语，保留重要的词语。

二、Java实现

package com.zqs.tfidf; import java.io.FileInputStream; import java.io.FileOutputStream; import java.io.IOException; import java.io.ObjectInputStream; import java.io.ObjectOutputStream; import java.io.Serializable; import java.util.ArrayList; import java.util.Arrays; import java.util.Collections; import java.util.HashMap; import java.util.HashSet; import java.util.LinkedHashSet; import java.util.List; import java.util.Map; import java.util.Map.Entry; import java.util.Set; / * TFIDF算法Java实现 * @author tianyunzqs * */ public class TFIDF implements Serializable { private static final long serialVersionUID = -L; // 存放所有词汇 public static Set<String> vocab = new LinkedHashSet<String>(); // 单词 -idf public Map<String, Double> word_idf = new HashMap<String, Double>(); / * 训练样本的tfidf值，也即训练tfidf模型 * @param raw_data 训练数据，如：[[我们 是 中国 的公民], [我们 是 炎黄之孙]]（token为空格） * @param token 单词之间分隔符 * @return 训练数据对应的tfidf数据列表 */ public List<List<Double>> get_tfidf(List<String> raw_data, String token) { List<List<Double>> res = new ArrayList<List<Double>>(); Map<String, Set<Integer>> word_docs = new HashMap<String, Set<Integer>>(); Map<Integer, List<String>> doc_words = new HashMap<Integer, List<String>>(); int doc_num = 0; for(String text : raw_data) { doc_num++; String[] words = text.split(token); doc_words.put(doc_num, Arrays.asList(words)); for(String word : words) { vocab.add(word); if(word_docs.containsKey(word)) { word_docs.get(word).add(doc_num); } else { Set<Integer> docs = new HashSet<Integer>(); docs.add(doc_num); word_docs.put(word, docs); } } } // 计算并存储每个word的idf值 for(String word : vocab) { int doc_n = 0; if(word_docs.containsKey(word)) { doc_n = word_docs.get(word).size(); } double idf = doc_words.size()*1.0 / (doc_n + 1); word_idf.put(word, idf); } // 计算每篇doc中，vocab中每个word的tfidf值 for(Entry<Integer, List<String>> e : doc_words.entrySet()) { List<Double> tmp = new ArrayList<Double>(); for(String word : vocab) { int word_n = Collections.frequency(e.getValue(), word); double tf = word_n*1.0 / e.getValue().size(); double idf = word_idf.get(word); double tfidf = tf * idf; tmp.add(tfidf); } res.add(tmp); } return res; } / * 计算测试样本的tfidf值 * @param raw_data 测试数据 * @param token 单词之间的分隔符 * @return 测试数据的tfidf值 */ public List<List<Double>> get_tfidf4test(List<String> raw_data, String token) { List<List<Double>> text_tfidf = new ArrayList<List<Double>>(); for(String text : raw_data) { String[] words = text.split(token); List<String> words_list = Arrays.asList(words); List<Double> tmp = new ArrayList<Double>(); for(String word : vocab) { int word_n = Collections.frequency(words_list, word); double tf = word_n*1.0 / words.length; double tfidf = tf * word_idf.get(word); tmp.add(tfidf); } text_tfidf.add(tmp); } return text_tfidf; } / * 序列化保存tfidf模型 * @param path 模型路径 */ public void save_model(String path) { try { ObjectOutputStream oos = new ObjectOutputStream(new FileOutputStream(path)); oos.writeObject(this); oos.flush(); oos.close(); } catch (IOException e) { e.printStackTrace(); } } / * 导出tfidf模型 * @param path 模型路径 * @return 训练好的TFIDF模型 */ public TFIDF load_model(String path) { try { ObjectInputStream in = new ObjectInputStream(new FileInputStream(path)); TFIDF tfidf = (TFIDF) in.readObject(); in.close(); return tfidf; } catch (IOException ee){ ee.printStackTrace(); } catch (ClassNotFoundException e){ e.printStackTrace(); } return null; } public static void main(String[] args) { TFIDF tfidf = new TFIDF(); List<String> res = new ArrayList<String>(); res.add("我们 是 中国人"); res.add("他们 是 美国人"); res.add("你们 来自 哪里 呢 最 无论 不管 the 中国人"); List<List<Double>> a = tfidf.get_tfidf(res, " "); System.out.println(vocab); for(List<Double> e : a) { System.out.println(e); } List<String> res2 = new ArrayList<String>(); res2.add("我们 是 中国 公民"); res2.add("我们 是 中国 的 公民"); List<List<Double>> b = tfidf.get_tfidf4test(res2, " "); System.out.println(vocab); for(List<Double> e : b) { System.out.println(e); } } } 

参考资料：

1、https://baike.baidu.com/item/tf-idf/?fr=aladdin

2、吴军. 数学之美[M]. 北京:人民邮电出版社, 2014

3、http://www.cnblogs.com/chenny7/p/4002368.html

4、http://blog.csdn.net/sangyongjia/article/details/