文本分析算法文本分析文本数据停用词1.!2.3.#4.$1. 一下2. 一个3. 一些4. 一何1. 语料中大量出现2. 没啥大用3. 留着过年嘛？5.%6.&7.8.(9.)10.*11.+12.,13.-14.-15. .16. .17. .18. .19. .20. ./21. .一5. 一切6. 一则7. 一则通过8. 一天9. 一定10. 一方面11. 一旦12. 一时13. 一来14. 一样15. 一次16. 一片17. 一番18. 一直19. 一致20. 一般21. 一起Tf-idf：关键词提取中国的蜜蜂养殖: 进行词频（Term Frequency，缩写为TF）统计出现次数最多的词是-“的”、“是”、“在”这一类最常用的词（停用词）“中国”、“蜜蜂”、“养殖”这三个词的出现次数一样多，重要性是一样的？中国是很常见的词，相对而言，蜜蜂和养殖不那么常见逆文档频率（Inverse Document Frequency，缩写为IDF）如果某个词比较少见，但是它在这篇文章中多次出现，那么它很可能就反映了这篇文章的特性正是我们所需要的关键词Tf-idf：关键词提取中国的蜜蜂养殖：假定该文长度为1000个词，中国、蜜蜂、养殖各出现20次，则这三个词的词频（TF）都为0.02搜索Google发现，包含的字的网页共有250亿张，假定这就是中文网页总数。包含中国的网页共有62.3亿张，包含蜜蜂的网页为0.484亿张，包含养殖的网页为0.973亿张Tf-idf：关键词提取相似度相似度 句子A：我喜欢看电视，不喜欢看电影。句子B：我不喜欢看电视，也不喜欢看电影。 分词：句子A：我/喜欢/看/电视，不/喜欢/看/电影。句子B：我/不/喜欢/看/电视，也/不/喜欢/看/电影。 语料库：我，喜欢，看，电视，电影，不，也。 词频：句子A：我 1，喜欢 2，看 2，电视 1，电影 1，不 1，也 0。句子B：我 1，喜欢 2，看 2，电视 1，电影 1，不 2，也 1。 词频向量：句子A：1, 2, 2, 1, 1, 1, 0句子B：1, 2, 2, 1, 1, 2, 1相似度