网站优化TF-IDF原理概述

　　当用户在搜索引擎搜索一个词的时候，它会将词去和索引库内的文档去进行匹配计算，将和词语最相关的一定数量的文档取出，参与后续的排名计算。此处“最相关”的量化指标被成为“权值”，而对于绝大多数搜索引擎，权值的计算中TF*IDF框架都是比较重要的一部分。其中被主要考虑到的因子为：词频TF和逆文档频率IDF。
　　词频因子（TF）
　　TF计算因子代表了词频，即一个单词在文档中出现的次数。一般来说，词频越高越显得文档和该词相关，就应该给予这个单词更高的权重。具体计算词频因子的时候，基于不同的出发点，可以采纳不同的计算公式。最简单的方式是直接利用词频数，比如一个文档中某单词出现5次，它的TF值就是5。
　　一种词频因子的变体计算公式是：W = 1+log（TF）
　　即将词频数值TF取Log值来作为词频权值，比如单词在文档中出现4次，其词频因子权值为3，公式中的数字1是为了平滑计算之用。因为如果TF值为1的情况下，取Log后值为0，即本来出现了一次的单词，按照这种方法计算会认为这个单词从来没有在文档中出现过，为了避免这种情况，采用+1的方式来进行平滑。之所以要对词频取Log，是基于如下考虑：即使一个单词出现了10次，也应该在计算特征权值时，比出现1次的情况权值大10倍，所以加入Log机制抑制这种过大的差异。
　　逆文档频率因子（IDF）
　　IDF代表的是文档集合范围的一种全局因子，它只和给定的文档集合有关，与具体文档无关。所以IDF考虑的不是文档本身的特征，而是特征单词之间的相对重要性。计算公式如下：IDF = log（N/n）其中N代表文档集合中总共有多少个文档，而n代表特征单词在其中多少个文档中出现过，即文档频率。由公式可以，当越多的文档包含某个单词时，则其IDF值越小，意味着这个词区分不同文档的能力越差。
　　TF*IDF框架
　　TF-IDF值的计算公式为：
　　Weight = TF * IDF
　　百度所实际运用的
　　对于百度，TF-IDF框架自然是被运用到的。但对于单个索引词排名时，TF-IDF不是关键词排名的决定性因素。百度的排名本质是概率检索模型。根据我以前对百度上做过的简单统计分析，百度对于TF计算至少运用了上述的Log平滑计算方法。除了前面提到的之外，当一个关键词的出现次数超过一定阈值时，其TF值会随着出现次数的增多，而继续以Log形式使排名下降。因为有这个机制存在，所以一个页面上面每个词的TF-IDF值是有各自不同的上限的，这对于SEO是一个很重要的概念。可以自己用来实际体验TF-IDF计算的最简单方法：虽然不很确切，但先将一篇文章中某关键词出现的次数记为TF值，另外到Google搜索该词，将该词的搜索结果总数量作为DF值。然后将TF除以DF，就可以得到最简单的TF-IDF值了。
　　案例：
　　举个实例，比如“喷码机价格”一词，它会被百度分成“喷码机”和“价格”二词。到Google去分别搜索下“喷码机”和“价格”二词，“喷码机”的结果大约是20，600，000个，“价格”则对应大约1，850，000，000个搜索结果，后者的DF值大约高前者百倍。（之所以不到百度去搜索，因为百度显示搜索结果数量上限为1亿个）
　　在这种情况下，哪怕“喷码机”和“价格”二词都在一篇文档中出现相同的次数，后者也会因为IDF因子的影响，而导致权值远远低于前者。因此，一般情况下只有当“喷码机”这个词权值高的页面，才有机会在“喷码机价格”这个词的排名上获得好的表现，和“价格”此词权值的关系很小。因为无论如何，“价格”此词的权值是不可能通过TF-IDF规则获得太多的。所以至少对于百度而言，想单独做“喷码机价格”这种词的排名的话，一般要用“喷码机”排名本就很高的着陆页来做，不然相对会难的多。