Vizualizare sursă pentru „Tf–idf”

{{Inițială mică}}
În [[recuperarea informațiilor]], '''tf–idf''' sau '''TFIDF''', abreviere din {{Lang-en|'''''term frequency–inverse document frequency'''''}}, însemnând ''frecvența termenului–frecvența inversă în documente'', este o măsură statistică numerică destinată cuantizării importanței unui cuvânt într-un [[document]] într-o colecție sau [[Corpus de text|corpus]]. Această măsură este adesea folosită ca factor de ponderare în căutările din recuperarea informațiilor, [[Extragerea de informații din text|text mining]] și modelarea utilizatorului. Valoarea tf–idf crește [[Proporționalitate|proporțional]] cu numărul de apariții ale unui cuvânt într-un document și este contrabalansat de numărul de documente din corpus care conțin cuvântul, ceea ce ajută la ponderarea necesară din cauză că unele cuvinte apar mai frecvent în general. tf–idf este una dintre cele mai populare metode de ponderare a termenilor astăzi, iar 83% din sistemele de recomandare bazate pe text din bibliotecile digitale folosesc tf–idf<ref>{{Citat revistă|nume=Breitinger|nume2=Gipp|nume3=Langer|prenume=Corinna|prenume2=Bela|prenume3=Stefan|dată=2015-07-26|titlu=Research-paper recommender systems: a literature survey|url=http://nbn-resolving.de/urn:nbn:de:bsz:352-0-311312|journal=International Journal on Digital Libraries|volum=17|număr=4|pagini=305–338|language=en|issn=1432-5012|doi=10.1007/s00799-015-0156-0}}</ref>.

Diferite variante de ponderare cu tf–idf sunt adesea folosite de către [[Motor de căutare web|motoarele de căutare]] drept instrument central în atribuirea de scoruri și ierarhizarea după relevanță a unui document relativ la o interogare din partea unui utilizator. tf–idf poate fi folosit cu succes pentru filtra cuvinte vide în diverse domenii, inclusiv [[sumarizare automată]] și clasificare.

Una dintre cele mai simple funcții de rang este calculată prin însumarea tf–idf pentru fiecare termen din interogare. Multe alte funcții mai sofisticate sunt variante ale acestui model simplu.

== Motivații ==

=== Frecvența termenului ===
Dacă presupunem că avem un set de documente de tip text și se dorește ierarhizarea documentelor în funcție de relevanța față de interogare, „o vacă maro”. O modalitate simplă de a începe este prin eliminarea documentelor care nu conțin toate cuvintele, „o”, „vacă” și „maro”, chiar dacă asta lasă în urmă încă multe documente. Pentru a le separa în continuare, se poate număra de câte ori apare fiecare termen în fiecare document. Numărul de apariții ale unui termen într-un document se numește ''frecvența termenului''. Cu toate acestea, în cazul în care lungimea documentelor variază foarte mult, sunt necesare ajustări (a se vedea definiția de mai jos). Prima formă de ponderare a termenilor se datorează lui [[Hans Peter Luhn]] (1957) și poate fi rezumată astfel<ref>{{Citat revistă|nume=Luhn|prenume=Hans Peter|dată=1957|titlu=A Statistical Approach to Mechanized Encoding and Searching of Literary Information|url=http://web.stanford.edu/class/linguist289/luhn57.pdf|journal=IBM Journal of Research and Development|volum=1|număr=4|pagini=309–317|doi=10.1147/rd.14.0309|access-date=2 March 2015|quote=There is also the probability that the more frequently a notion and combination of notions occur, the more importance the author attaches to them as reflecting the essence of his overall idea.|archive-date=2018-06-19|archive-url=https://web.archive.org/web/20180619093106/http://web.stanford.edu/class/linguist289/luhn57.pdf|dead-url=yes}}</ref>:{{Citat|Ponderea unui termen care apare într-un document este propoțională cu frecvența termenului.}}

=== Frecvența inversă în documente ===
Deoarece termenul „o” este atât de comun, frecvența termenului tinde să pună accent pe acele documente care conțin o frecvență ridicată a cuvântului „o”, fără a oferi suficientă pondere cuvintelor mai informative „vacă” și „maro”. Termenul „o” nu este un cuvânt-cheie potrivit pentru a distinge întrerelevanța  documentelor și termenilor, spre deosebire de cuvintele mai puțin utilizate „vacă” și „maro”. Așadar, un factor de frecvență inversă în documente este inclus pentru a reduce ponderea termenilor care apar foarte frecvent în colecția de documente și pentru a mări ponderea termenilor care apar rar.

[[Karen Spärck Jones]] (1972) a conceput o interpretare statistică a specifictății unui termen, numită Frecvență Înversă în Documente (abreviată ''idf''), care a devenit un punct foarte important în ponderarea termenilor<ref>{{Citat revistă|nume=Spärck Jones|prenume=K.|legătură-autor=Karen Spärck Jones|an=1972|titlu=A Statistical Interpretation of Term Specificity and Its Application in Retrieval|journal=Journal of Documentation|volum=28|pagini=11–21|pmid=|pmc=|doi=10.1108/eb026526}}</ref>:{{Citat|Specificitatea unui termen poate fi cuantizată ca funcție inversă a numărului de documente în care apare.}}

== Definiție ==

# Tf–idf este produsul a două statistici, ''frecvența termenilor'' și ''frecvența inversă în documente''. Există diverse metode pentru determinarea valorilor exacte ale acestor statistici.
# O formulă care își propune să definească importanța unui cuvânt sau unei fraze cheie într-un document sau o pagină web.

{| class="wikitable" style="float: right; margin-left: 1.5em; margin-right: 0; margin-top: 0;"
|+Variante de pondere a frecvenței termenilor (tf)
!schemă de ponderare
!valoare tf
|-
|binar
|<math>{0,1}</math>
|-
|numărare brută
|<math> f_{t,d}</math>
|-
|frecvența termenilor
|<math> f_{t,d} \Bigg/ {\sum_{t' \in d}{f_{t',d}}}</math>
|-
|normalizare logaritmică
|<math> \log (1 + f_{t,d})</math>
|-
|normalizare dublă 0.5
|<math>0.5 + 0.5 \cdot \frac { f_{t,d} }{\max_{\{t' \in d\}} {f_{t',d}}} </math>
|-
|normalizare dublă K
|<math>K + (1 - K) \frac { f_{t,d} }{\max_{\{t' \in d\}} {f_{t',d}}} </math>
|}

=== Frecvența termenului ===
În cazul '''frecvenței termenului''' {{Math|tf(''t'',''d'')}}, cea mai simplă opțiune este utilizarea ''numărării brute'' a unui termen într-un document. Cu alte cuvinte, numărul de apariții ale termenului {{Mvar|t}} în documentul {{Mvar|d}}. Dacă  {{Math|''f''<sub>''t'',''d''</sub>}} este numărul brut de apariții, atunci cea mai simplă schemă tf este {{Math|1=tf(''t'',''d'') = ''f''<sub>''t'',''d''</sub>}}. Alte posibilități includ<ref>{{Citat carte|nume=Manning|prenume=C.D.|nume2=Raghavan|prenume2=P.|nume3=Schutze|prenume3=H.|doi=10.1017/CBO9780511809071.007|capitol=Scoring, term weighting, and the vector space model|titlu=Introduction to Information Retrieval|pagini=100|an=2008|isbn=978-0-511-80907-1|url-capitol=http://nlp.stanford.edu/IR-book/pdf/06vect.pdf}}</ref>{{Rp|128}}

* „Frecvențe” [[Boolean (tip de date)|booleene]]: {{Math|1=tf(''t'',''d'') = 1}} dacă {{Mvar|t}} apare în {{Mvar|d}} și 0 în caz contrar;
* Frecvența termenului ajustată pentru lungimea documentului: {{Math|''f''<sub>''t'',''d''</sub>}} ÷ (numărul de cuvinte în d);
* Frecvența [[Scară logaritmică|scalată logaritmic]]: {{Math|1=tf(''t'',''d'') = log (1 + ''f''<sub>''t'',''d''</sub>)}};<ref>{{Citat web|url=https://jmotif.github.io/sax-vsm_site/morea/algorithm/TFIDF.html|titlu=TFIDF statistics {{!}} SAX-VSM}}</ref>
* Frecvența augmentată, pentru a preveni erori în cazul documentelor mai lungi, de exemplu, frecvența brută împărțită frecvența brută a termenului care apare cel mai des în document:

: <math>\mathrm{tf}(t,d) = 0.5 + 0.5 \cdot \frac{f_{t, d}}{\max\{f_{t', d}:t' \in d\}}</math>

=== Frecvența inversă în documente ===
{| class="wikitable" style="float: right; margin-left: 1.5em; margin-right: 0; margin-top: 0;"
|+Variante de pondere a frecvenței inverse în documente (idf)
!schemă de ponderare
!valoare idf (<math>n_t = |\{d \in D: t \in d\}| </math>)
|-
|unar
|1
|-
|frecvența inversă în documente
|<math> \log \frac {N} {n_t} = - \log \frac {n_t} {N} </math>
|-
|frecvența inversă în documente netedă
|<math> \log \left( \frac {N} {1 + n_t}\right)+ 1 </math>
|-
|frecvența inversă în documente maximă
|<math> \log \left(\frac {\max_{\{t' \in d\}} n_{t'}} {1 + n_t}\right) </math>
|-
|frecvența inversă în documente probabilistică
|<math> \log \frac {N - n_t} {n_t} </math>
|}
'''Frecvența inversă în documente''' este o măsură a cât de multă informație este conținută de termen, adică dacă e comun sau rar în colecția de documente. Este [[Scară logaritmică|valoarea logaritmată]] a inversului fracției dintre numărul de documente care conțin cuvântul și numărul total de documente:

: <math> \mathrm{idf}(t, D) = \log \frac{N}{|\{d \in D: t \in d\}|}</math>

unde 

* <math>N</math>: numărul total de documente în corpus <math>N = {|D|}</math>
* <math> |\{d \in D: t \in d\}| </math> : numărul de documente în care apare termenul <math> t </math> (de exemplu, <math> \mathrm{tf}(t,d) \neq 0</math>). Dacă termenul nu este în corpus, acest lucru va duce la o împărțire la zero. Prin urmare, de obicei se modifică numitorul astfel încât să fie <math>1 + |\{d \in D: t \in d\}|</math>.

[[Fișier:Plot_IDF_functions.png|miniatura|Grafice a diferite funcții de frecvență inversă în documente: standard, netedă, probabilistică.]]

=== Frecvența termenului–frecvența inversă în documente ===
Așadar, tf–idf este calculat ca

: <math>\mathrm{tfidf}(t,d,D) = \mathrm{tf}(t,d) \cdot \mathrm{idf}(t, D)</math>

O pondere ridicată a tf-idf este atinsă de o frecvență mare a termenului (în documentul dat) și o frecvență scăzută în documente în cadrul întregii colecții de documente. Ponderile tind astfel să filtreze termenii obișnuiți. Deoarece raportul din funcția logaritmică a idf este întotdeauna mai mare sau egal cu 1, valoarea idf (și tf-idf) este mai mare sau egală cu 0. Pe măsură ce un termen apare în mai multe documente, raportul din logaritm se apropie de 1, aducând idf și tf-idf mai aproape de 0. 
{| class="wikitable" style="float: top; margin-left: 0; margin-right: 1.5em; margin-top: 0;"
|+ Scheme de ponderare recomandate pentru tf-idf 
! schema de ponderare 
! pondere a termenului în documente 
! ponderea termenului interogat 
|-
| 1 
| <math> f_{t,d} \cdot \log \frac {N} {n_t} </math> 
| <math> \left(0.5 + 0.5 \frac {f_{t,q}} {\max_t f_{t,q}}\right) \cdot \log \frac {N} {n_t} </math> 
|-
| 2 
| <math> 1 + \log f_{t,d}</math> 
| <math> \log \left(1 + \frac {N} {n_t}\right) </math> 
|-
| 3 
| <math> (1 + \log f_{t,d}) \cdot \log \frac {N} {n_t} </math> 
| <math> (1 + \log f_{t,q}) \cdot \log \frac {N} {n_t} </math> 
|}

== Justificarea idf ==
Idf a fost introdus, ca „specificitatea ermenului”, de [[Karen Spärck Jones]] într-un articol din 1972. Deși a funcționat bine ca [[euristică]], fundamentele sale teoretice au fost problematice pentru cel puțin trei decenii după aceea, timp în care mulți cercetători au încercat să găsească justificări din [[teoria informației]] pentru aceasta<ref name="understanding">{{Citat revistă|nume=Robertson|prenume=S.|legătură-autor=Stephen Robertson (computer scientist)|an=2004|titlu=Understanding inverse document frequency: On theoretical arguments for IDF|journal=Journal of Documentation|volum=60|număr=5|pagini=503–520|doi=10.1108/00220410410560582}}</ref>.

Explicația lui Spärck Jones nu a inclus multă teorie, în afară de o legătură cu [[legea lui Zipf]]<ref name="understanding"/>. Au fost efectuate încercări pentru a defini idf [[Teoria probabilităților|probabilistic]]<ref>See also [http://nlp.stanford.edu/IR-book/html/htmledition/probability-estimates-in-practice-1.html#p:justificationofidf Probability estimates in practice] in ''Introduction to Information Retrieval''.</ref>, prin estimarea probabilității ca un anumit document {{Mvar|d}} să conțină un termen {{Mvar|t}} ca frecvența relativă în documente,

: <math>
P(t|D) = \frac{|\{d \in D: t \in d\}|}{N},
</math>

astfel încât să se poată defini idf ca

: <math> \begin{align}
\mathrm{idf} & = -\log P(t|D) \\
             & = \log \frac{1}{P(t|D)} \\
             & = \log \frac{N}{|\{d \in D: t \in d\}|}
\end{align} </math>

Și anume, frecvența inversă în documente este logaritmul frecvenței „inverse” relative în documente.

Această interpretarea probabilistică la rândul său are aceeași formă ca auto-informarea. Cu toate acestea, aplicarea de astfel de noțiuni de teoria informației la probleme de recuperarea informațiilor creează dificultăți atunci când se încearcă definirea spațiilor de evenimente pentru [[Distribuții de probabilitate|distribuțiile de probabilitate]] necesare: atât documentele, cât și interogările și termenii trebuie să fie luați în considerare<ref name="understanding"/>.

== Legătura cu teoria informației ==
Conceptele de frecvența termenului și frecvența inversă în document pot fi formulate folosind [[Teoria informației|teoria Informației]], ajutând la explicarea faptului că produsul acestora are sens pentru conținutul informațional al unui document. Reamintim expresia entropiei condiționate a unui document „ales la întâmplare” condiționat de faptul că acesta trebuie să conțină un termen concret <math>t</math> (și presupunem că toate documentele au probabilitate egală de a fi alese, iar <math>p</math> este r=probabilități)):

: <math>
H({\cal D}|{\cal T}=t)=-\sum_d p_{d|t}\log p_{d|t}=-\log \frac{1}{|\{d \in D: t \in d\}|}=\log \frac{|\{d \in D: t \in d\}|}{|D|} + \log |D|=-\mathrm{idf}(t)+\log |D|
</math>

În termeni de notație, <math>{\cal D}</math> și <math>{\cal T}</math> sunt „variabile aleatoare”, corespunzând respectiv extragerii unui document sau unui termen. Acum reamintim definiția [[Informație mutuală|informației mutuale]], care poate fi exprimată ca

: <math>  M({\cal T};{\cal D}) = H({\cal D}) - H({\cal D}|{\cal T}) = \sum_t p_t\cdot(H({\cal D}) - H({\cal D}|W=t))=\sum_t p_t \cdot \mathrm{idf}(t) </math>
:

Ultimul pas este de extinderea <math>p_t</math>, probabilitatea necondiționată de a alege un termen, în contextul alegerii (aleatoare) a unui document, pentru a obține:

: <math> M({\cal T};{\cal D})=\sum_{t,d} p_{t|d}\cdot p_d \cdot \mathrm{idf}(t) =  \sum_{t,d} \mathrm{tf}(t,d)\cdot \frac{1}{|D|}\cdot \mathrm{idf}(t) = \frac{1}{|D|} \sum_{t,d} \mathrm{tf}(t,d)\cdot \mathrm{idf}(t). </math>
:

Această expresie arată că însumarea Tf-idf a tuturor documentelor și termenilor posibili recuperează informația mutuală între documente și termeni, luând în considerare toate particularitățile distribuției lor comune (pentru detalii, a se vedea<ref>{{Citat revistă|nume=Aizawa|prenume=Akiko|an=2003|titlu=An information-theoretic perspective of tf–idf measures|journal=Information Processing and Management|volum=39|număr=1|pagini=45–65|language=en|doi=10.1016/S0306-4573(02)00021-3}}</ref>). Prin urmare, fiecare Tf-idf poartă denumirea de „informație” atașată unei perechi termen x document.

== Exemplu de tf–idf ==
Să presupunem că avem tabelele cu numărul de apariții ale termenilor într-un corpus format din doar două documente, după cum sunt enumerate în partea dreaptă.
{| class="wikitable" style="float: right; margin-left: 1.5em; margin-right: 0; margin-top: 0;"
|+Document 2
!Termen
!Număr de apariții
|-
|acesta
|1
|-
|este
|1
|-
|un
|2
|-
|caiet
|3
|}
{| class="wikitable" style="float: right; margin-left: 1.5em; margin-right: 0; margin-top: 0;"
|+Document 1
!Termen
!Număr de apariții
|-
|acesta
|1
|-
|este
|1
|-
|un
|2
|-
|stilou
|1
|}
Calculul tf–idf pentru termenul „acesta” se realizează după cum urmează:

În forma brută a frecvenței, tf este doar frecvența termenului „acesta” pentru fiecare document. În fiecare document, cuvântul „acesta” apare o singură dată. Dar deoarece documentul 2 are mai multe cuvinte, frecvența sa relativă este mai mică.

: <math> \mathrm{tf}(\mathsf{''acesta''}, d_{1}) = \frac{1}{5} = 0.2 </math>
: <math> \mathrm{tf}(\mathsf{''acesta''}, d_{2}) = \frac{1}{7} \approx 0.14 </math>
:

O valoare idf este constantă pe corpus și ține cont de procentajul de documente care includ cuvântul „acesta”. În cazul de față, avem un corpus de două documente și ambele includ cuvântul „acesta”.

: <math>\mathrm{idf}(\mathsf{''acesta''}, D) =  \log \left (\frac{2}{2}  \right ) = 0</math>
:

Deci tf–idf este 0 pentru cuvântul „acesta”, ceea ce duce la concluzia că termenul nu este foarte informativ, deoarece apare în toate documentele.

: <math>  \mathrm{tfidf}(\mathsf{''acesta''}, d_{1}, D) = 0.2 \times 0 = 0 </math>
: <math>  \mathrm{tfidf}(\mathsf{''acesta''}, d_{2}, D) = 0.14 \times 0 = 0 </math>

Cuvântul „caiet” este mult mai interesant, deoarece apare de trei ori, dar numai în cel de-al doilea document:

: <math> \mathrm{tf}(\mathsf{''caiet''}, d_{1}) = \frac{0}{5} = 0 </math>
: <math> \mathrm{tf}(\mathsf{''caiet''}, d_{2}) = \frac{3}{7} \approx 0.429 </math>
: <math> \mathrm{idf}(\mathsf{''caiet''}, D) = \log \left (\frac{2}{1} \right ) = 0.301 </math>

În cele din urmă,

: <math>\mathrm{tfidf}(\mathsf{''caiet''}, d_1, D) = \mathrm{tf}(\mathsf{''caiet''}, d_1) \times \mathrm{idf}(\mathsf{''caiet''}, D) = 0 \times 0.301 = 0</math>
: <math>\mathrm{tfidf}(\mathsf{''caiet''}, d_2, D) = \mathrm{tf}(\mathsf{''caiet''}, d_2) \times \mathrm{idf}(\mathsf{''caiet''}, D) = 0.429 \times 0.301 \approx 0.129</math>

(folosind [[Logaritm zecimal|logaritmul zecimal]]).

== Dincolo de termeni ==
Ideea din spatele tf–idf se aplică și în cazul altor entități în afară de termeni. În 1998, conceptul de idf a fost aplicat la citări<ref>{{Citat carte|nume=Bollacker|prenume=Kurt D.|nume2=Lawrence|prenume2=Steve|nume3=Giles|prenume3=C. Lee|dată=1998-01-01|titlu=CiteSeer: An Autonomous Web Agent for Automatic Retrieval and Identification of Interesting Publications|jurnal=Proceedings of the Second International Conference on Autonomous Agents|serie=AGENTS '98|pagini=116–123|doi=10.1145/280765.280786|isbn=978-0-89791-983-8|url=https://www.semanticscholar.org/paper/b23a5a62b7cb5278ceb5a6cc021c28a92041d792}}</ref>. Autorii susțin că „dacă o citare foarte neobișnuită este împărtășită de două documente, aceasta ar trebui să fie ponderată mai mult decât o citare inclusă într-un număr mare de documente”. În plus, tf–idf a fost aplicat „cuvintelor vizuale”, cu scopul identificării obiectelor în videoclipuri<ref>{{Citat carte|nume=Sivic|prenume=Josef|nume2=Zisserman|prenume2=Andrew|dată=2003-01-01|titlu=Video Google: A Text Retrieval Approach to Object Matching in Videos|url=http://dl.acm.org/citation.cfm?id=946247.946751|jurnal=Proceedings of the Ninth IEEE International Conference on Computer Vision – Volume 2|serie=ICCV '03|pagini=1470–|isbn=978-0-7695-1950-0}}</ref> și propozițiilor întregi<ref>{{Citat web|url=http://research.nii.ac.jp/ntcir/workshop/OnlineProceedings3/NTCIR3-TSC-SekiY.pdf|nume=Seki|accessdate=|publisher=National Institute of Informatics|date=|first1=Yohei|titlu=Sentence Extraction by tf/idf and Position Weighting from Newspaper Articles}}</ref>. Cu toate acestea, conceptul de tf–idf nu s-a dovedit a fi mai eficient în nici un caz față de simpla schemă tf (fără idf). Când tf–idf a fost aplicat citărilor, cercetătorii au găsit nici o îmbunătățire față de o simplă pondere care ia în calcul doar numărul de citări fără o componentă idf<ref>{{Citat revistă|nume=Beel|nume2=Breitinger|prenume=Joeran|prenume2=Corinna|an=2017|titlu=Evaluating the CC-IDF citation-weighting scheme – How effectively can 'Inverse Document Frequency' (IDF) be applied to references?|url=http://beel.org/publications/2017%20iConference%20--%20Evaluating%20the%20CC-IDF%20citation-weighting%20scheme%20--%20preprint.pdf|journal=Proceedings of the 12th IConference|volum=|pagini=|access-date=2020-02-18|archive-date=2020-09-22|archive-url=https://web.archive.org/web/20200922150304/http://beel.org/publications/2017%20iConference%20--%20Evaluating%20the%20CC-IDF%20citation-weighting%20scheme%20--%20preprint.pdf|dead-url=yes}}</ref>.

== Scheme derivate ==
Mai multe scheme de ponderare a termenilor au fost derivate din tf–idf. Una dintre ele este TF–PDF (Frecvența Termenului * Frecvența Proporțională în Documente)<ref>{{Citat carte|nume=Khoo Khyou Bun|nume2=Bun|prenume2=Khoo Khyou|nume3=Ishizuka|prenume3=M.|titlu=Emerging Topic Tracking System|jurnal=Proceedings Third International Workshop on Advanced Issues of E-Commerce and Web-Based Information Systems. WECWIS 2001|pagini=2|limbă=en-US|doi=10.1109/wecwis.2001.933900|an=2001|isbn=978-0-7695-1224-2}}</ref>. TF–PDF a fost introdus în anul 2001, în contextul identificării subiectelor emergenete în mass-media. Componenta PDF măsoară diferența dintre de câte ori un termen apare în diferite domenii. O altă schemă derivată este TF–IDuF. În TF–IDuF<ref>{{Citat revistă|nume=Langer|nume2=Gipp|prenume=Stefan|prenume2=Bela|an=2017|titlu=TF-IDuF: A Novel Term-Weighting Scheme for User Modeling based on Users' Personal Document Collections|url=https://www.gipp.com/wp-content/papercite-data/pdf/beel17.pdf|journal=IConference|volum=|pagini=}}</ref>, idf nu este calculat pe baza documentelor din corpusul în care se efectuează căutarea. În schimb, idf este calculat pe colecții de documente personale ale utilizatorilor. Autorii au raportat că TF–IDuF a fost la fel de eficace ca tf–idf, dar ar putea fi aplicat și în situații când, de exemplu, un sistem de modelare a utilizatorilor nu are acces la un corpus de documente global.

== Vezi și ==
{{Div col|colwidth=25em}}
* [[Divergența Kullback–Leibler]]
* [[Alocare latentă Dirichlet]]
* [[Analiză semantică latentă]]
* [[Informație mutuală]]
* [[Okapi BM25]]
* [[PageRank]]
* [[Model spațial vectorial]]
* [[SMART Information Retrieval System]]
{{Div col end}}

== Note ==
{{Listănote
}}

* {{Citat carte|nume=Salton|prenume=G|legătură-autor=Gerard Salton|nume2=McGill|prenume2=M. J.|an=1986|titlu=Introduction to modern information retrieval|editură=[[McGraw-Hill]]|isbn=978-0-07-054484-0|url=https://archive.org/details/introductiontomo00salt}}
* {{Citat revistă|nume=Salton|nume2=Fox|nume3=Wu|prenume=G.|prenume2=E. A.|prenume3=H.|legătură-autor=Gerard Salton|an=1983|titlu=Extended Boolean information retrieval|journal=Communications of the ACM|volum=26|număr=11|pagini=1022–1036|doi=10.1145/182.358466}}
* {{Citat revistă|nume=Salton|nume2=Buckley|prenume=G.|prenume2=C.|legătură-autor=Gerard Salton|an=1988|titlu=Term-weighting approaches in automatic text retrieval|url=https://ecommons.cornell.edu/bitstream/1813/6721/1/87-881.pdf|journal=Information Processing & Management|volum=24|număr=5|pagini=513–523|doi=10.1016/0306-4573(88)90021-0}}
* {{Citat revistă|nume=Wu|nume2=Luk|nume3=Wong|nume4=Kwok|prenume=H. C.|prenume2=R.W.P.|prenume3=K.F.|prenume4=K.L.|an=2008|titlu=Interpreting TF-IDF term weights as making relevance decisions|url=https://www.semanticscholar.org/paper/f6bbbf2cc785cf96019dcd9c41ab1801aad962dd|journal=ACM Transactions on Information Systems|volum=26|număr=3|pagini=1|doi=10.1145/1361684.1361686}}

[[Categorie:Prelucrarea limbajului natural]]
[[Categorie:Statistică]]