TF-IDF算法是一種統(tǒng)計算法，用于對檢索的加權(quán)。簡單的講其作用是評估一字詞對于一個文件的重要程度。
在SEO的衍生應(yīng)用中，我們可以這么去理解上面這段話：在一個公司里，有10個SEOer，每個人都寫了一篇關(guān)于SEO的文章，并且把這些文章都放在了一個文檔集里。我們可以預(yù)料到的是，基本每篇文章中都會重復(fù)多次出現(xiàn)SEO這個詞，意味著這十篇文章都與SEO有關(guān)。現(xiàn)在我要查找一篇關(guān)于網(wǎng)站權(quán)重的SEO文章。那么我會在搜索引擎中輸入“SEO 網(wǎng)站權(quán)重”。
最終我找到兩篇同時出現(xiàn)了這兩個詞的文章，第一篇里面出現(xiàn)了2次“網(wǎng)站權(quán)重”和10次“SEO，另一篇出現(xiàn)了10次“網(wǎng)站權(quán)重”和2次“SEO”。現(xiàn)在的問題是：拋開作者的素質(zhì)(網(wǎng)站整體權(quán)重)、文章質(zhì)量(頁面權(quán)重)、公司內(nèi)專家的推薦(高質(zhì)量外鏈)以及其他種種因素的影響后，誰的文章應(yīng)該排在搜索結(jié)果的前面?
帶著這個問題，我們來學(xué)習(xí)TF-IDF算法以及TF-IDF算法在SEO中衍生的應(yīng)用。
TF-IDF的核心概念
如果某個詞或短語在一篇文章中出現(xiàn)的頻率TF高，并且在其他文章中很少出現(xiàn)，則認(rèn)為此詞或者短語具有很好的類別區(qū)分能力，適合用來分類。
同時，如果一篇文章中出現(xiàn)了我們要查詢的詞，我們就會認(rèn)為該文章與我們要查的詞有比較大的相關(guān)性。延續(xù)這種思路，就是如果一篇文檔中出現(xiàn)要查詢的詞的次數(shù)越多，該文章與要查詢的詞之前的相關(guān)性應(yīng)該越大。
我們在以往的SEO工作中，運用到的關(guān)鍵詞密度技術(shù)，基于的就這個TF原理。
那么我們在TF-IDF算法中，先定義一個TF(t,d)表示詞語t在文章d中的出現(xiàn)次數(shù)。
我們可以通過關(guān)鍵詞密度查詢工具來查詢TF值：
http://tool.chinaz.com/Tools/Density.aspx
但僅僅考慮詞出現(xiàn)的次數(shù)是不行的，因為常常我們查詢的都是兩個以上的詞，比如“AA BB”或者“XX YY ZZ”等形式。如果是這種形式的查詢，哪個詞出現(xiàn)的次數(shù)應(yīng)該做為重要性的依據(jù)呢?這就引出了IDF來測量詞的稀缺度，這里我們定義IDF為IDF(t) = log(N / DF(t))。其中：
DF(t)：該詞(以t為代表)在多少篇文章中出現(xiàn)過。查詢辦法是通過google搜索某一個詞t，得到的搜索結(jié)果我們可以理解DF(t)。
N: 總文章數(shù)。這個數(shù)值在我們SEO工作中沒有什么實際的用處，因為我們不可能知道搜索引擎索引了多少文章。但是對于搜索引擎來說，N卻是一個判定詞權(quán)重的數(shù)據(jù)。
log：這個也不是我們SEO工作中需要考慮的數(shù)值，一般而言，log的底數(shù)可以隨便設(shè)定。一般而言，我們采用+1的方式來抑制上述“網(wǎng)站權(quán)重 SEO”例子中第二篇出現(xiàn)10次“網(wǎng)站權(quán)重”的文章比第一篇出現(xiàn)2次“網(wǎng)站權(quán)重”的文章重要5倍的夸張情況出現(xiàn)。
TF-IDF的SEO應(yīng)用實戰(zhàn)
看到這里，是不是覺得很煩躁?我們來進(jìn)入一段廣告……呃，不，進(jìn)入一段實例：
TF-IDF值 = TF×IDF(TF乘以IDF) = 1+log tf(t,d) × log(N / DF(t))
以《網(wǎng)站權(quán)重 SEO》和《SEO學(xué)習(xí):什么是網(wǎng)站權(quán)重》這篇文章為例：
“網(wǎng)站權(quán)重”TF值為：w=1+log 31(次出現(xiàn))=2.49
“網(wǎng)站權(quán)重”IDF值為：23,200,000篇/1萬億(假設(shè)值，08年數(shù)據(jù))=4.63
“網(wǎng)站權(quán)重”TF-IDF值為：2.49*4.63=11.53
“SEO”TF值為：w=1+log 34(次出現(xiàn))=2.53
“SEO”IDF值為：1,220,000,000篇/1萬億(假設(shè)值，08年數(shù)據(jù))=2.91
“SEO”TF-IDF值為：2.53*2.91=7.36
我們得到了“網(wǎng)站權(quán)重”TF-IDF值11.53和“SEO”TF-IDF值7.36。這有什么用呢?
TF-IDF值越大，文章與索引詞越相關(guān);
只有當(dāng)“網(wǎng)站權(quán)重”這個詞權(quán)重高的頁面，才有可能在“網(wǎng)站權(quán)重 SEO”這個搜索結(jié)果的排名上有比較好的效果;
錨文本鏈接需要加強(qiáng)“網(wǎng)站權(quán)重”這個詞;
如果我們針對這個頁面做“SEO”的錨文本，則不會有太好的表現(xiàn);
在沒有其他因素加權(quán)或降權(quán)的情況下，小于該頁面的總計詞權(quán)值18.89(11.53+7.36)的頁面將排名較低，大于18.89的頁面將排名比次文章高
TF-IDF在SEO應(yīng)用的總結(jié)
以上只是一個TF-IDF在SEO衍生應(yīng)用中的一個例子。無論是TF-IDF的計算方式，或者是該案例的假設(shè)條件，都是不嚴(yán)謹(jǐn)和準(zhǔn)確的。但這不妨礙我們明白“關(guān)鍵詞密度”這一SEO技術(shù)的原理。同時，也在關(guān)鍵詞排名方面，跟競爭對手有了一個可以量化的參考。
無論百度還是谷歌又或者其他搜索引擎，TF-IDF只是其搜索排名算法中很小的一部分。同時為了打擊關(guān)鍵詞堆砌，各大搜索引擎又都會對TF值做一定的限制。SEOMoz給的一個安全的詞頻數(shù)為每篇頁面不重復(fù)15詞關(guān)鍵詞。而不是簡單的用2%-8%的關(guān)鍵詞密度。當(dāng)然這個建議是基于國外的搜索引擎。
我們在學(xué)習(xí)SEO時，的確需要了解一些技術(shù)和理論的知識，這些知識有助于我們更好的開展工作。但同時，我們也無需糾結(jié)于一些純理論和技術(shù)方面的問題，畢竟，在SEO這個行業(yè)中，實戰(zhàn)和經(jīng)驗同樣無比重要。
本文由楊帆原創(chuàng)于楊氏SEO，轉(zhuǎn)載請保留鏈接：
http://www.seoyangs.com/tf-idf-seo.html
網(wǎng)友點評
精彩導(dǎo)讀
科技快報
品牌展示