中文分词（三）：关键词提取

本文介绍一些常用的无监督关键词提取算法：TF-IDF，TextRank，主题模型算法

一、TF-IDF算法

即词频-逆文档频次算法，其基本思想是想要找到这样的词：它在一篇文档中出现的频次高（TF），即说明这篇文档很有可能围绕这个词进行说明；但是并不在多篇文档中出现（IDF），即说明这个词对文档的区分能力强。

tf(word)=(word在文档中出现的次数)/(该文档总词数)，tf是就单篇文档来说的；

idf(i)=log(D/1+D(i))，idf是就多篇文档之间来说的，该式表达的含义是，D为总文档数，D(i)为出现词i的文档数量。

tf-idf值为上述相乘，在一篇文章中，计算每个词的tf-idf值，值最大的最适合作为这篇文章的关键词，关键词的数量通常不止一个，所以可以将tf-idf值由大到小排列，取前n个作为关键词。

整理完思路后，代码如下：

import jieba
from jieba import analyse
# 引入TF-IDF关键词抽取接口
filename = "C:/Users/Administrator/Desktop/stop_words/news/1.txt"
# 基于TF-IDF算法进行关键词抽取
content = open(filename, encoding='utf-8').read()
keywords = analyse.extract_tags(content,topK=10, withWeight=True, allowPOS=[])
# 第一个参数：待提取关键字文本
# 第二个参数：返回关键词的数量，重要性从高到低排序
# 第三个参数：是否同时返回每个关键词的权重
# 第四个参数：词性过滤，为空表示不过滤，若提供则仅返回符合词性要求的关键词
for keyword in keywords:
    print (keyword[0],keyword[1])

结果为：

这里产生一个问题：我这里只有一篇文档，那么相当有1篇文档出现1次，那么如果我每次都是一篇一篇的文档进行关键词提取，岂不是相当于不考虑逆文档频率？因为每个文章的idf值是一样的？还是说，jieba有自己的语料库，idf值由它来确定？和我们输入多少篇文章无关？