谷歌已經使用TF-IDF作為內容排名因素很長一段時間，因為搜索引擎似乎更關注術語頻率而不是而不是計算關鍵字。雖然算法的視覺復雜性可能會讓很多人失望，但重要的是要認識到理解TF-IDF并不像知道它如何工作那么重要。

　　搜索引擎使用TF-IDF來更好地理解被低估的內容。例如，如果您想在Google上搜索“可口可樂”一詞，Google就可以確定標題為“COKE”的頁面是關于：

　　a）可口可樂。

　　b）可卡因

　　c）源自原油蒸餾的固體富碳殘余物

　　d）德克薩斯州的一個縣

　　本文的目的是通過TF-IDF的未知主題指導所有內容編寫者和SEO專家。通過更好地了解Google如何利用此算法，內容編寫者可以對TF-IDF進行逆向工程，從而優化網站內容，使其更好地適用于用戶和搜索引擎。并且SEO可以將其用作搜索具有更高搜索量和相對較低競爭的關鍵字的工具。

　　TF-IDF是什么？

　　TF-IDF是一種信息檢索技術，它對術語的頻率（TF）和逆文檔頻率（IDF）進行加權。每個單詞或術語都有其各自的TF和IDF分數。術語的TF和IDF得分的乘積稱為該術語的TF-IDF權重。

　　簡而言之，TF-IDF得分（重量）越高，該術語越罕見，反之亦然。

　　TF-IDF算法用于權衡任何內容中的關鍵字，并根據該關鍵字在文檔中出現的次數指定該關鍵字的重要性。更重要的是，它會檢查關鍵字在整個網絡中的相關程度，即所謂的語料庫。

　　對于術語噸在文檔d，重量重量％，d的文件中術語d t通過下式給出：

　　Wt，d=TFt，d log（N / DFt）

　　哪里：

　　TFt，d是文檔d中t的出現次數。

　　DFt是包含術語t的文檔數。

　　N是語料庫中的文檔總數。

　　好吧。如果您感到頭痛，請不要驚慌。

　　讓我們更具體地定義它。

　　TF-IDF定義

　　單詞的TF（術語頻率）是文檔中單詞的頻率（即它出現的次數）。當你知道它時，你就可以看到你使用的術語是太多還是太少。

　　例如，當一個100字的文檔包含12次“cat”這個詞時，“cat”這個詞的TF就是

　　TFcat=12/100即0.12

　　單詞的IDF（逆文檔頻率）是該術語在整個語料庫中的重要程度的度量。

　　例如，假設術語“cat”在10,000,000,000文檔大小的語料庫（即web）中出現x次。假設有30萬個文檔包含術語“cat”，那么IDF（即log {DF}）由文檔總數（10,000,000）除以包含術語“cat”的文檔數量（300,000） ）。

　　IDF（cat）=log（10,000,000 / 300,000）=1.52

　　∴Wcat=（TF * IDF）cat=0.12 * 1.52=0.182

　　既然你想出了這個（對吧？），讓我們來看看這對你有什么好處。

　　如何使用TF-IDF獲益

　　收集話語。寫下你的內容，為您的單詞運行TF-IDF報告并獲取其權重。數值權重值越高，該項越少。重量越小，該術語越常見。比較所有具有高TF-IDF權重的術語與其在Web上的搜索量。選擇搜索量較高，競爭較慢的用戶。

　　一個好的經驗法則是，您的內容對用戶“有意義”越多，搜索引擎分配的權重就越大。對于內容中TF-IDF較高的單詞，您的內容將始終位于搜索結果中，因此您可以：

　　不要擔心使用停用詞，成功搜索具有更高搜索量和更低競爭力的詞匯，

　　請確保使用能使您的內容與用戶相關且與用戶相關的單詞等。