TFIDF算法介绍

TF-IDF(Term Frequency–InverseDocument Frequency)是一种用于资讯检索与文本挖掘的常用加权技术。TF-IDF的主要思想是:如果某个词或短语在一篇文章中出现的频率TF高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。

TF-IDF实际是TF*IDF,其中TF(Term Frequency)表示词条$t$在文档$D_i$中的出现的频率,TF的计算公式如下所示:

其中IDF(InverseDocument Frequency)表示总文档与包含词条t的文档的比值求对数,IDF的计算公式如下所示:

其中$N$为所有的文档总数,$I(t,D_i)$表示文档$D_i$是否包含词条$t$,若包含为1,不包含为0。但此处存在一个问题,即当词条$t$在所有文档中都没有出现的话IDF计算公式的分母为0,此时就需要对IDF做平滑处理,改善后的IDF计算公式如下所示:

那么最终词条$t$在文档$D_i$中的TF-IDF值为:$TF-IDF_{t,D_i} = TF_{t,D_i} * IDF_t$ 。

从上述的计算词条$t$在文档$D_i$中的TF-IDF值计算可以看出:当一个词条在文档中出现的频率越高,且新鲜度低(即普遍度低),则其对应的TF-IDF值越高。
比如现在有一个预料库,包含了100篇($N$)论文,其中涉及包含推荐系统($t$)这个词条的有20篇,在第一篇论文($D1$)中总共有200个技术词汇,其中推荐系统出现了15次,则词条推荐系统的在第一篇论文($D1$)中的TF-IDF值为:

更多详细的关于TFIDF的介绍可以参考

关于TF-IDF的其他实战:

基于TFIDF计算文本相似度

这里需要注意的是在spark2.x中默认不支持dataframe的笛卡尔积操作,需要在创建Spark对象时开启。

创建spark对象,并设置日志等级

1
2
3
4
5
6
7
8
9
// spark.sql.crossJoin.enabled=true spark 2.0 x不支持笛卡尔积操作,需要开启支持
val spark = SparkSession
.builder()
.appName("docSimCalWithTFIDF")
.config("spark.sql.crossJoin.enabled","true")
.master("local[10]")
.enableHiveSupport()
.getOrCreate()
Logger.getRootLogger.setLevel(Level.WARN)

这里以官方样例代码中的三行英文句子为例,创建数据集,并进行分词(spark中的中文分词包有很多,比如jieba,han,ansj,fudannlp等,这里不展开介绍)

1
2
3
4
5
6
7
8
9
10
11
12
val sentenceData = spark.createDataFrame(Seq(
(0, "Hi I heard about Spark"),
(1, "I wish Java could use case classes"),
(2, "Logistic regression models are neat")
)).toDF("label", "sentence")

val tokenizer = new Tokenizer()
.setInputCol("sentence")
.setOutputCol("words")

val wordsData = tokenizer.transform(sentenceData)
wordsData.show(10)

展示的结果为:

1
2
3
4
5
6
7
+-----+--------------------+--------------------+
|label| sentence| words|
+-----+--------------------+--------------------+
| 0|Hi I heard about ...|[hi, i, heard, ab...|
| 1|I wish Java could...|[i, wish, java, c...|
| 2|Logistic regressi...|[logistic, regres...|
+-----+--------------------+--------------------+

调用官方的tfidf包计算向量:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
// setNumFeatures(5)表示将Hash分桶的数量设置为5个,可以根据你的词语数量来调整,一般来说,这个值越大不同的词被计算为一个Hash值的概率就越小,数据也更准确,但需要消耗更大的内存

val hashingTF = new HashingTF()
.setInputCol("words")
.setOutputCol("rawFeatures")
.setNumFeatures(5)
val featurizedData = hashingTF
.transform(wordsData)

featurizedData.show(10)

val idf = new IDF()
.setInputCol("rawFeatures")
.setOutputCol("features")
val idfModel = idf.fit(featurizedData)
val rescaledData = idfModel.transform(featurizedData)

rescaledData.show(10)
rescaledData.select("label", "features").show()

展示的结果为:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
+-----+--------------------+--------------------+--------------------+
|label| sentence| words| rawFeatures|
+-----+--------------------+--------------------+--------------------+
| 0|Hi I heard about ...|[hi, i, heard, ab...|(5,[0,2,4],[2.0,2...|
| 1|I wish Java could...|[i, wish, java, c...|(5,[0,2,3,4],[1.0...|
| 2|Logistic regressi...|[logistic, regres...|(5,[0,1,3,4],[1.0...|
+-----+--------------------+--------------------+--------------------+

+-----+--------------------+--------------------+--------------------+--------------------+
|label| sentence| words| rawFeatures| features|
+-----+--------------------+--------------------+--------------------+--------------------+
| 0|Hi I heard about ...|[hi, i, heard, ab...|(5,[0,2,4],[2.0,2...|(5,[0,2,4],[0.0,0...|
| 1|I wish Java could...|[i, wish, java, c...|(5,[0,2,3,4],[1.0...|(5,[0,2,3,4],[0.0...|
| 2|Logistic regressi...|[logistic, regres...|(5,[0,1,3,4],[1.0...|(5,[0,1,3,4],[0.0...|
+-----+--------------------+--------------------+--------------------+--------------------+

+-----+--------------------+
|label| features|
+-----+--------------------+
| 0|(5,[0,2,4],[0.0,0...|
| 1|(5,[0,2,3,4],[0.0...|
| 2|(5,[0,1,3,4],[0.0...|
+-----+--------------------+

其中$(5,[0,2,4],[0.0,0…$ 是向量的一种压缩表示格式,例如$(3,[0,1],[0.1,0.2])$表示的是 向量的长度为3,其中第 1位和第2位的值为0.1 和0.3,第3位的值为0。


这里需要将其转化为向量的形式,方便后续进行计算,可以直接通过dataframe进行转化,也可以先将dataframe转化为rdd,再进行转化。
datafram通过自定义UDF进行转化如下:

1
2
3
4
5
6
7
8
9
import spark.implicits._
// 解析数据 转化为denseVector格式 datafra
val sparseVectorToDenseVector = udf {
features: SV => features.toDense
}
val df = rescaledData
.select($"label", sparseVectorToDenseVector($"features"))
.withColumn("tag",lit(1))
df.show(10)

展示结果为:

1
2
3
4
5
6
7
+------+--------------------+---+
|label1| features1|tag|
+------+--------------------+---+
| 0|[0.0,0.0,0.575364...| 1|
| 1|[0.0,0.0,0.575364...| 1|
| 2|[0.0,0.6931471805...| 1|
+------+--------------------+---+

先转化为RDD,再进行转化如下:

1
2
3
val selectedRDD = rescaledData.select("label", "features").rdd
.map( l=>( l.get(0).toString, l.getAs[SV](1).toDense))
selectedRDD.take(10).foreach(println)

展示结果为:

1
2
3
(0,[0.0,0.0,0.5753641449035617,0.0,0.0])
(1,[0.0,0.0,0.5753641449035617,0.28768207245178085,0.0])
(2,[0.0,0.6931471805599453,0.0,0.5753641449035617,0.0])


当然也可以在进行相似度计算时进行转化,实现代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
// 定义相似度计算udf
import spark.implicits._
val df1 = rescaledData
.select($"label".alias("id1"), $"features".alias("f1"))
.withColumn("tag",lit(1))

val df2 = rescaledData
.select($"label".alias("id2"), $"features".alias("f2"))
.withColumn("tag",lit(1))

val simTwoDoc = udf{
(f1: SV, f2: SV) => calTwoDocSim(f1,f2)
}
val df = df1.join(df2, Seq("tag"), "inner")
.where("id1 != id2")
.withColumn("simscore",simTwoDoc(col("f1"), col("f2")))
.where("simscore > 0.0")
.select("id1","id2","simscore")
df.printSchema()
df.show(20)

其中calTwoDocSim 函数实现如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
/**
* @Author: GaoYangtuan
* @Description: 自定义计算两个文本的距离
* @Thinkgamer: 《推荐系统开发实战》作者,「搜索与推荐Wiki」公号负责人,算法工程师
* @Param: [f1, f2]
* @return: double
**/
def calTwoDocSim(f1: SV, f2: SV): Double = {
val breeze1 =new SparseVector(f1.indices,f1.values, f1.size)
val breeze2 =new SparseVector(f2.indices,f2.values, f2.size)
val cosineSim = breeze1.dot(breeze2) / (norm(breeze1) * norm(breeze2))
cosineSim
}

打印结果如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
root
|-- id1: integer (nullable = false)
|-- id2: integer (nullable = false)
|-- simscore: double (nullable = false)

+---+---+------------------+
|id1|id2| simscore|
+---+---+------------------+
| 0| 1|0.8944271909999159|
| 1| 0|0.8944271909999159|
| 1| 2|0.2856369296406274|
| 2| 1|0.2856369296406274|
+---+---+------------------+

最后进行排序和保存,代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
val sortAndSlice = udf { simids: Seq[Row] =>
simids.map{
case Row(id2: Int, simscore: Double) => (id2,simscore)
}
.sortBy(_._2)
.reverse
.slice(0,100)
.map(e => e._1 + ":" + e._2.formatted("%.3f"))
.mkString(",")
}

val result = df
.groupBy($"id1")
.agg(collect_list(struct($"id2", $"simscore")).as("simids"))
.withColumn("simids", sortAndSlice(sort_array($"simids", asc = false)))

result.show(10)
result.coalesce(1).write.format("parquet").mode("overwrite").save("data/tfidf")

打印结果如下:

1
2
3
4
5
6
7
+---+---------------+
|id1| simids|
+---+---------------+
| 1|0:0.894,2:0.286|
| 2| 1:0.286|
| 0| 1:0.894|
+---+---------------+


【技术服务】,详情点击查看: https://mp.weixin.qq.com/s/PtX9ukKRBmazAWARprGIAg


扫一扫 关注微信公众号!号主 专注于搜索和推荐系统,尝试使用算法去更好的服务于用户,包括但不局限于机器学习,深度学习,强化学习,自然语言理解,知识图谱,还不定时分享技术,资料,思考等文章!