原理部分

如果不想看我啰里啰嗦讲原理的童鞋，可以直接跳到代码部分哦

假定我们要为以下的文字提取关键词，原文来自朱自清先生的《背影》：

我说道，“爸爸，你走吧。”他望车外看了看，说，“我买几个橘子去。你就在此地，不要走动。”我看那边月台的栅栏外有几个卖东西的等着顾客。走到那边月台，须穿过铁道，须跳下去又爬上去。父亲是一个胖子，走过去自然要费事些。我本来要去的，他不肯，只好让他去。我看见他戴着黑布小帽，穿着黑布大马褂，深青布棉袍，蹒跚地走到铁道边，慢慢探身下去，尚不大难。可是他穿过铁道，要爬上那边月台，就不容易了。他用两手攀着上面，两脚再向上缩；他肥胖的身子向左微倾，显出努力的样子。这时我看见他的背影，我的泪很快地流下来了。我赶紧拭干了泪，怕他看见，也怕别人看见。我再向外看时，他已抱了朱红的橘子望回走了。过铁道时，他先将橘子散放在地上，自己慢慢爬下，再抱起橘子走。到这边时，我赶紧去搀他。他和我走到车上，将橘子一股脑儿放在我的皮大衣上。于是扑扑衣上的泥土，心里很轻松似的，过一会说，“我走了；到那边来信！”我望着他走出去。他走了几步，回过头看见我，说，“进去吧，里边没人。”等他的背影混入来来往往的人里，再找不着了，我便进来坐下，我的眼泪又来了。

朱自清先生是我非常崇敬的一位作家，我非常喜欢他的作品。但是问题来了，计算机是没有情感的，他怎么能读懂这几段文字并提取关键词呢？

首先，我们需要计算机进行一个叫分词的操作，就是把文章按照一定的规则进行切分，切成一个一个的短语。分词的算法非常复杂，这里不作过多的阐述，有兴趣的朋友可以上网搜下相关的资料。

分词后我们要想个问题，是不是某一段中经常出现的词，是不是作者非常强调的词呢，那成为关键词的机会是不是越大呢。这里我们就要引入一个叫词频(TF)的概念了：

$$ TF = 某个词在文档中的出现次数 $$

好了，讲到这里我们需要思考一个问题，像上面的文章中，有很多的“的”、“地”这样的结构助词，出现的频率相当高，我们怎么处理呢。工业界和学术界在处理语料数据的时候，会称这些词为“停用词”，字面意思，就是我们在处理语料的时候，忽略掉这些词。常见的做法会在分词的时候，建立停用词词典，直接把这些词从文档中去掉。

然后，获得了词频，你会有疑问了，那是不是直接把词频最高的Top10或者Top5作为关键词不就行了吗，为啥这算法还有个叫逆文档频率的东西啊….

你想想啊，什么是关键词啊，关键词就是某个文档独有的一些词语，而不是每篇都有的。也就是比如某个词在文档A出现了，在BCD没出现，那么我们很大的几率就认为这个词是文档A的关键词。这个时候，登登登登，逆文档频率就出现了：

$$ IDF = log(\frac{语料库中文档的总数}{语料库中包含该词语的文档数+1}) $$

这里我们有个概念，语料库 Corpus。语料库是指一个非常庞大的自然语言数据集合，里面有大量的文章语料可以供计算机使用。我们话说回来，观察上面的式子，因为语料库中包含该词语的文档数是分子，所以如果包含某个词语的文档越少，他的IDF值会越高，那么这个词语很有可能就是这些文档的关键词。有同学观察到分母有个1，这个是为了避免没有任何一篇文章包含这个词导致了分母为0的情况！

好了，我们讲到这里，我们发现词频越高的词越有可能成为关键词，逆向文档频率越高的词越有可能代表这个文档呢。引用高中数学的话，TF,IDF都与某个词是不是关键词的概率成正比关系。那好办，我们把两个值乘起来，作为某个词在某个文档中的频率。对于词语Wi，我们规定其TF-IDF值为：

$$ TF-IDF_i = TF_i \times IDF_i $$

有句话叫“光说不练假把式”，我们就以前面引用的朱自清先生的段落为例，我们以朱自清先生的这篇《背影》作为语料库，每个自然段作为一个文档；使用分词器，抽取里面的名词、动词和形容词进行分析，分析得到这样的数据：

zhuziqing-beiying.png

可以看到表格中，这一个自然段橘子的出现频率非常高，而其逆文档频率也相当高，因此“橘子”是这一段的一个关键词。然后“背影”由于在多个自然段都出现了，因此其逆向文档频率就非常低了，近乎为0，因此背影不能作为这一段的一个关键词。因此我们可以指定这段的关键词可以是“橘子”，“铁道”和“月台”等。也大致满足了这一段的主题：父亲越过铁道为作者买橘子，引发了作者的深思。

其实，如果读过小学语文课本的同学都会说，这一段，不是父亲的背影才是引发作者深思的点吗，为什么没有在关键词里。这里有一个非常不严谨的点，我们在技术TF-IDF时，使用的语料集非常狭隘，仅仅是这篇文章，这篇文章的主题恰恰就是“背影”啊，这么多年的语文课告诉我们，作者需要不断进行点题强调，因此造成了IDF低的问题。如果我们的语料库足够丰富，而且我们分析的不仅仅是一个自然段，是一整篇的《背影》我相信效果会更加理想的。

说了那么多的原理，我们就来说说Java怎么可以实现TF-IDF算法（单机版哦~）：

Java实现部分

Java部分我们需要使用到Ansj分词器进行分词

Ansj分词器的Github：传送门

使用Maven的同学可以使用：

1
2
3
4
5
6
7
<dependencies>
    <dependency>
     <groupId>org.ansj</groupId>
     <artifactId>ansj_seg</artifactId>
     <version>5.1.1</version>
 </dependency>
</dependencies>

然后代码的实现非常简单,先把代码全部贴出来：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
public class TfIdfUtil {
	
	// 文档表
	private List<String> documents;
	// 文档与词汇列表
	private List<List<String>> documentWords;
	// 文档词频统计表
	private List<Map<String,Integer>> docuementTfList;
	// 词汇出现文档数统计表
	private Map<String,Double>  idfMap;
	// 是否只抽取名词
	private boolean onlyNoun = false;
	
	public TfIdfUtil(List<String> documents) {
		this.documents = documents;
	}
	
	public List<Map<String,Double>> eval(){
		this.splitWord();
		this.calTf();
		this.calIdf();
		return calTfIdf();
	}
	
	/**
	 * 获取所有文档数，用于逆文档频率 IDF 的计算
	 * @author Shaobin.Ou
	 * @return 所有文档数
	 */
	private int getDocumentCount() {
		return documents.size();
	}
	
	/**
	 * 对每一个文档进行词语切分
	 * @author Shaobin.Ou
	 */
	private void splitWord() {
		documentWords = new ArrayList<List<String>>();
		for( String document : documents ) {
			Result splitWordRes = DicAnalysis.parse(document);
			List<String> wordList = new ArrayList<String>();
			for(Term term : splitWordRes.getTerms()) {
				if(onlyNoun) {
					if(term.getNatureStr().equals("n")||term.getNatureStr().equals("ns")||term.getNatureStr().equals("nz")) {
						wordList.add(term.getName());
					}
				}else {
					wordList.add(term.getName());
				}
			}
			documentWords.add(wordList);
		}
	}
	
	/**
	 * 对每一个文档进行词频的计算
	 * @author Shaobin.Ou
	 */
	private void calTf() {
		docuementTfList = new ArrayList<Map<String,Integer>>();
		for(List<String> wordList : documentWords ) {
			Map<String,Integer> countMap = new HashMap<String,Integer>();
			for(String word : wordList) {
				if(countMap.containsKey(word)) {
					countMap.put(word, countMap.get(word)+1);
				}else {
					countMap.put(word, 1);
				}
			}
			docuementTfList.add(countMap);
		}
	}
	
	/**
	 * 计算逆文档频率 IDF
	 * @author Shaobin.Ou
	 */
	private void calIdf() {
		int documentCount = getDocumentCount();
		idfMap = new HashMap<String,Double>();
		// 统计词语在多少文档里面出现了
		Map<String,Integer> wordAppearendMap = new HashMap<String,Integer>();
		for(Map<String,Integer> countMap : docuementTfList  ) {
			for(String word : countMap.keySet()) {
				if(wordAppearendMap.containsKey(word)) {
					wordAppearendMap.put(word, wordAppearendMap.get(word)+1);
				}else {
					wordAppearendMap.put(word, 1);
				}
			}
		}
		// 对每个词语进行计算
		for(String word : wordAppearendMap.keySet()) {
			double idf = Math.log( documentCount  / (wordAppearendMap.get(word)+1)  );
			idfMap.put(word, idf);
		}
	}
	
	private List<Map<String,Double>> calTfIdf() {
		List<Map<String,Double>> tfidfRes = new ArrayList<Map<String,Double>>();
		for(Map<String,Integer> docuementTfMap : docuementTfList ) {
			Map<String,Double> tfIdf = new HashMap<String,Double>();
			for(String word : docuementTfMap.keySet()) {
				double tfidf = idfMap.get(word) * docuementTfMap.get(word);
				tfIdf.put(word, tfidf);
			}
			tfidfRes.add(tfIdf);
		}
		return tfidfRes;
	}
	
}

首先在TfIdfUtil类实例化的时候，我们需要传入一个List，List的每一个字符串元素都一个文档。
然后，执行eval()方法

eval()方法的执行流程是这样的
首先执行 splitWord() 进行分词 -> 执行 calTf() 计算每个分析的词频 -> 执行calIdf()计算逆向词频 -> 执行 calTfIdf() 计算每个词的TF-IDF

Notes 注意了
为了提高TF-IDF的准确性，可以考虑在分词的时候，向分词器提供停用词表和自定义分词!!!

啰里啰嗦的部分

有同学问，上述算法到底可不可行的，当然可以了。我所在的天高科技工作室内部工作平台TentcooTools已经应用了TF-IDF对每一篇的同学周报进行关键词抽取操作，并且这个关键词抽取目测还是挺准的。工作室17年的年度关键词也是通过这个算法生成的。