如何统计词频

Midnight_szx · 2024-12-06 21:06:46 · 科技·工程

• 朴素的想法

  我们可以把各种新闻中的各个词用 F=\frac{在某一篇文章的出现次数}{文章总词数} 来得到一个频率，那么一个词的词频可以是

  F_i=\frac{\sigma(t_i)}{\sigma( t)}

  那对于一则新闻而言，我们不妨用一个暴力的想法，现代汉语大概64000个词，把每个词在新闻中的词频都统计一遍，然后直接余弦暴算。

  但存在一些问题，如下：

  • 诸如“的”，“是”，“和”这样的虚词和“因此”，“所以”，“非常”一类的东西，对余弦的计算来说其实是一种噪声，会干扰到分类结果的准确性。怎么解决？
  • 一篇新闻里，不同的词对最终结果的影响的权重是不一样的。比如政治类新闻中，“大选”“支持率”“战争”一类的词应该比“应用”“公民”“社会”要重要一些。这样的权重又要如何分配？

• 正好学了对数，可以讲 TF-IDF 了

• 这个缩写的全称是 $Term \: Frequency - Inverse\:Document\:Frequency$ , 翻译过来是『单文本词频-逆文本频率指数』。 其实没必要搞清楚这名词啥意思，直接来看咋用的就可以。

• 如何确定一个词的权重？

  这个权重的设定应该满足这样的条件：

  • 其对新闻主题的影响越大，权重就应该越大。比如，“尹锡悦宣布韩进入戒严状态”这个词，倘若在文章中看到“戒严”，大概就知道又是韩国的事儿；而看到“状态”，还是不知道讲的是什么。所以，“戒严”的权重应该比“状态”高。
  • 各种虚词和“噪声”词的权重为零。

  显然，一个词如果在很少的文章出现，其对文章主题的把握就会比在很多文章中都出现的词更强。概括地讲，若一个词 t 在 D_t 篇文章中出现过，那么 D_t 越大，t 的权重要越小，反之亦然。

  如今使用的最多的权重是 IDF ，它的公式是

  w=lg(\frac{D}{D_t})

  其中 D 是全部文章数。

  利用 IDF ，上述对于词频的计算，要更新成

  F_i=\frac{\sigma(t_i)}{\sigma( t)} \cdot lg(\frac{D}{D_t})

  这么做有一个很显著的好处，就是把各种“噪声词”优化掉了，同时根据对数运算的性质，越关键的词被赋予的权重越高，挺好的。

终于可以开讲新闻分类了

考虑统计一篇新闻中所有词的加权词频，然后按词典表的顺序列一个六万多维的向量。不难想象，和新闻主题相关性高的词，其加权词频会很大，向量的方向也将主要由这些参数决定。

对新闻“向量化”后，计算新闻的相似性也就成了可能。

接下来的算法可分为两种。

• 第一种是，假定我们已经知道了一些新闻的特征向量，那对于一条要被分类的新闻 N , 直接拿它的特征向量和标准向量比一比，并将其归到相应的类中就好。

  标准向量的获得有两种途径，第一是人工建立，但工作量极大且不准确；第二种就是自动建立（具体方法以后讲）。

• 第二种就比较麻烦了，如果一开始没有标准参照怎么办。

  没事，前辈想到了。

  他们提出了一种基于自上而下不断合并的方式：

  • 计算所有新闻之间两两的相似性，把相似性大于一个阈值的新闻合并成一小类。这样所有新闻就被合成了一些小类。
  • 把每个小类中的新闻作为一个整体，算出小类的特征向量，再计算小类之间两两的余弦相似性，合并成大一点的小类，总数越来越小。
  • 如此迭代，直到所有新闻被归为一类。搞定。