TF-IDF是词频与词权的组合，后者又称为逆向文本频率. 词频表示一个词语a，在文件A中的出现频率，即a的词语个数/A文件里词语总个数，词权/逆向文本频率的模型是log 文件总数S/包含a的所有文件集合(A,B,C,D…):
lgSA+B+C... l g S A + B + C . . .
并以词频与词权的乘积来描述，该
关键字a，对于该
文件A，在
所有文件系统S中的相关性
为什么拿log来做这样的模型监测呢?
首先，如果在这个文件系统中，每一个文件都包含了关键字a，那么显然大家都一样，A中包含a显然就没什么相关性了，这个时候总文件/包含a的文件数=1，所以要求
f(1)=0.
其次,假如所有文件中，只有A包含了a，即a对A的相关性取到了极强值，然后假如递增包含了a的新文件，则a对A的相关性迅速减弱，即要求f’(x)<0,加上S/A,B,C的非负属性，
显然 f(x)=logx比f(x)=x-1更加贴合
同样的模型还有 (-1/x) +1,其中x>0等……
对不同的关键字，计算对于文件A的相关性可以表示成
r=tf1*idf1 + tf2*idf2 ……
r越大，相关性越强，所以对每一个乘积，都要求该tf-idf值最大越好，一个广告的最好的标签，就是tf-idf最高的关键字，来表示，tfidf加项个数越多，该广告特征标识地更加精确
