TF-IDF算法，全程为term frequency-inverse document frequency， 词频-逆文档频率，是一种常用的文本加权技术，常用语信息检索和数据挖掘领域。
TF，词频，也就是在一个文档中，某个词语的出现次数。为了便于统一化，经常对出现次数进行归一化处理，计算其出现频率，也就是，某个词语的出现次数，除以文档中的词语总数。
与词频有关的一个概念是停用词，停用词是指那些在文档中出现频率极高，但没有什么实际意义的词语，例如“的”“了”“在”“是”等，在实际处理中，经常会将停用词先剔除掉。
IDF，逆文档频率，主要用来调整词语的权重。如果一个词语在所有文档中出现频率都很高，那恰恰说明这个词语的区分度很低。一个词语的逆文档频率，与它的出现频率成反比，这也是“逆”字的含义。计算IDF时需要一个很大的文档集合，一般称为语料库。
IDF的计算方法为log(语料库中的文档总数 / (包含该词语的文档数量 + 1)) 。
有了TF和IDF之后，两者相乘，即可计算文档中某个词语的TF-IDF值。文档中所有词语的TF-IDF值排序后，值最大的词语即为该文档的关键字。
