不同长度的tf-idf文档

我在网上搜索了有关在文档长度差异很大的情况下标准化 tf 等级的信息 （例如，文档长度从 500 字到 2500 字不等）

我发现的唯一标准化讨论是将术语频率除以文档的长度，因此导致文档的长度没有任何意义。

不过，这种方法对于标准化 tf.如果有的话，它会导致每个文档的 tf 等级有很大的偏差（除非所有文档都是从几乎相同的字典构建的，但使用 tf-idf 时情况并非如此）

例如，让我们看 2 个文档 - 一个由 100 个唯一单词组成，另一个由 1000 个唯一单词组成。 doc1 中每个单词的 tf 为 0.01，而 doc2 中每个单词的 tf 为 0.001

这会导致在将单词与 doc1 匹配时，tf-idf 等级自动大于 doc2

有人对更合适的标准化公式有任何建议吗？

谢谢

edit我还看到了一种方法，指出我们应该将每个文档的术语频率除以该文档的最大术语频率 这也不能解决我的问题

我在想的是，计算所有文档的最大术语频率，然后通过将每个术语频率除以最大术语来标准化所有术语

很想知道你的想法

您分析的目标是什么？

如果您的最终目标是比较文档之间的相似性（等等），您不应该在 tfidf 计算阶段担心文档长度。这就是原因。

The tfidf表示公共向量空间中的文档。如果您随后计算余弦相似度在这些向量之间，余弦相似度补偿了不同文档长度的影响。原因是余弦相似度评估向量的方向而不是它们的大小。我可以用 python 向你展示这一点： 考虑以下（愚蠢的）文档

document1 = "apple apple banana"
document2 = "apple apple apple apple banana banana"

documents = (
    document1,
    document2)

这些文档的长度不同，但内容相同。 更准确地说，两个文档中术语的相对分布相同，但绝对术语频率不同。

现在，我们使用tfidf在公共向量空间中表示这些文档：

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_vectorizer = TfidfVectorizer()
tfidf_matrix = tfidf_vectorizer.fit_transform(documents)

我们使用余弦相似度通过仅查看这些矢量化文档的方向（或方位）来评估这些矢量化文档的相似性，而不关心它们的大小（即它们的长度）。我正在评估文档一和文档二之间的余弦相似度：

from sklearn.metrics.pairwise import cosine_similarity
cosine_similarity(tfidf_matrix[0], tfidf_matrix[1])

结果是1。请记住，当两个向量具有完全相同的方向时，两个向量之间的余弦相似度等于 1；当两个向量正交时，其余弦相似度等于 0；当两个向量具有相反方向时，其余弦相似度等于 -1。

在这种情况下，您可以看到余弦相似度不受文档长度的影响，并且捕获了原始文档中术语的相对分布是相同的事实！如果您想将此信息表示为文档之间的“距离”，那么您可以简单地执行以下操作：

1 - cosine_similarity(tfidf_matrix[0], tfidf_matrix[1])

当文档相似（无论长度如何）时，该值将趋于 0；当文档不相似时，该值将趋于 1。