基于TF-IDF的中文关键词提取

requirements

默认环境python3，需要结巴分词器的支持

$ pip install jieba

IDF(逆文档频率)生成

用法：

$ python gen_idf.py -i <inputdir> -o <outputfile>

• -i <inputdir> ： 语料库目录，程序会扫描目录下的所有文件
• -o <outputfile> ： 保存idf到指定文件

TF-IDF关键词提取

用法：

$ python tfidf.py -i <idffile> -d <document> -t <topK>

• -i <idffile> ： idf文件路径
• -d <document> ： 所需处理文档路径
• -t <topK> ： 返回topK结果

示例

$ python tfidf.py -i idf.txt -d test.txt -t 20

返回结果：

核
处理器
服务器
系统核心
封装
系列
插槽
核心
主频
产品
伊斯坦布尔
英特尔
功耗
多处理器
低仅
折合
浮点运算
性能
构建
吹起

注：该repo中提供的idf.txt由清华NLP组的新闻数据集训练获得。