基于TF-IDF的文本关键词抽取方法是指什么

我查了一下， TF-IDF是词频-逆文档频率， 是不是就是分词后的词频统计？

词频（Term Frequency，TF）指某一给定词语在当前文件中出现的频率。由于同一个词语在长文件中可能比短文件有更高的词频，因此根据文件的长度，需要对给定词语进行归一化，即用给定词语的次数除以当前文件的总词数。
逆向文件频率（Inverse Document Frequency，IDF）是一个词语普遍重要性的度量。即如果一个词语只在很少的文件中出现，表示更能代表文件的主旨，它的权重也就越大；如果一个词在大量文件中都出现，表示不清楚代表什么内容，它的权重就应该小。

TF-IDF的主要思想是，如果某个词语在一篇文章中出现的频率高，并且在其他文章中较少出现，则认为该词语能较好的代表当前文章的含义。即一个词语的重要性与它在文档中出现的次数成正比，与它在语料库中文档出现的频率成反比。

我在知网上查到一篇基于TF-IDF和LDA对微博热点话题进行分析的文章：基于中心词和LDA的微博热点话题发现研究

这个研究以微博热点数据为研究对象, 进行文本表示学习, 将基于Bert和Word2Vec的模型设为实验组, 基于TF-IDF和BOW的模型设为对照组,令实验组和对照组分别生成改进LDA模型和传统LDA模型。通过对比传统LDA模型和改进LDA模型, 发现改进方法所生成的LDA模型在高频词分布集中度上更优于传统方法, 在下游任务应用中更适合热点话题生成。

马涌河畔 发表于 2021-6-16 09:47
我在知网上查到一篇基于TF-IDF和LDA对微博热点话题进行分析的文章：基于中心词和LDA的微博热点话题发现研究 ...

BOW模型是什么？

Fuller 发表于 2021-6-16 11:09
BOW模型是什么？

BOW, 词袋， 应该就是把文章当作一个装了很多个词的袋子， 不管里面的词的顺序。
通过统计袋子中各个词出现的次数判断该文章在描述什么