使用gensim计算tf-idf

Question

我有一个来自 ISI 论文的 tf-idf 示例。我试图通过这个例子来验证我的代码。但是我的 code.I 得到了不同的结果，不知道是什么原因！

论文中的术语文档矩阵：

acceptance     [ 0 1 0 1 1 0
information      0 1 0 1 0 0
media            1 0 1 0 0 2
model            0 0 1 1 0 0
selection        1 0 1 0 0 0 
technology       0 1 0 1 1 0]

论文中的 Tf-idf 矩阵：

acceptance     [ 0   0.4   0   0.3   0.7  0
information      0   0.7   0   0.5   0    0
media            0.3  0   0.2   0    0    1
model            0    0   0.6   0.5  0    0
selection        0.9  0   0.6   0    0    0 
technology       0   0.4   0   0.3   0.7  0]

我的 tf-idf 矩阵：

acceptance     [ 0   0.4   0   0.3   0.7  0
information      0   0.7   0   0.5   0    0
media            0.5  0   0.4   0    0    1
model            0    0   0.6   0.5  0    0
selection        0.8  0   0.6   0    0    0 
technology       0   0.4   0   0.3   0.7  0]

我的代码：

tfidf = models.TfidfModel(corpus)   
corpus_tfidf=tfidf[corpus]

我试过另一个这样的代码：

transformer = TfidfTransformer()
tfidf=transformer.fit_transform(counts).toarray() ##counts is term-document matrix

但是我没有得到合适的答案

Answer 1

你说的结果差异的原因是论文中有很多计算TF-IDF的方法。如果你阅读 Wikipedia TF-IDF page 它提到 TF-IDF 计算为

tfidf(t,d,D) = tf(t,d) . idf(t,D)

tf(t,d) 和 idf(t,D) 都可以用不同的函数计算，这将改变 TF_IDF 值的最后结果。其实功能在不同的应用中是不同的。

Gensim TF-IDF Model 可以计算文档中提到的 tf(t,d) 和 idf(t,D) 的任何函数。

Compute tf-idf by multiplying a local component (term frequency) with a global component (inverse document frequency), and normalizing the resulting documents to unit length. Formula for unnormalized weight of term i in document j in a corpus of D documents:

weight_{i,j} = frequency_{i,j} * log_2(D / document_freq_{i})

or, more generally:

weight_{i,j} = wlocal(frequency_{i,j}) * wglobal(document_freq_{i}, D)

so you can plug in your own custom wlocal and wglobal functions.

Default for wlocal is identity (other options: math.sqrt, math.log1p, ...) and default for wglobal is log_2(total_docs / doc_freq), giving the formula above.

现在如果你想准确的达到论文的结果，你必须知道它用什么函数来计算TF-IDF矩阵。

Gensim google group 中还有一个很好的示例，展示了如何使用自定义函数计算 TF-IDF。

使用gensim计算tf-idf

Tf-idf calculation using gensim

python

tf-idf

gensim