TF-IDF介绍（详见）：https://www.cnblogs.com/yhll/p/9831267.html
例子：
假设有一篇文章包含了10000个词组，其中“中国”、“石油”、出现100次，“开采”出现200次，“的”出现500次（假设没有去除停用词） 语料库中共有1000篇文档，其中包含“中国”的文档有99篇，包含“石油”的文档59篇，包含“开采”的文档有19篇，包含“的”的文档有999篇。
1 计算词频
根据公式：词频 = 某个词组在文章中出现次数/该文章总词组数：
TF(中国）= 100/10000 = 0.01
TF(石油）= 100/10000 = 0.01
TF(开采）= 200/10000 = 0.02
TF(的）= 500/10000 = 0.05
2 计算逆文档频率
根据公式：逆文档频率 = log[语料库中文档总数/(包含该词组的文档数 + 1)]
这里的log表示以10为底
IDF(中国）= log(1000/100) = 1
IDF(石油）= log(1000/60) = 1.221
IDF(开采）= log(1000/20) = 1.7
IDF(开采）= log(1000/1000) = 0
由上述结果可以发现，当某个词在语料库中各个文档出现的次数越多，它的IDF值越低，当它在所有文档中都出现时，其IDF计算结果为0，而通常这些出现次数非常多的词或字为“的”、“我”、“吗”等，它对文章的权重计算起不到较大的作用。
3 计算TF-IDF值根据公式：TF-IDF = 词频 * 逆文档频率
TF-IDF(中国) = 0.01 * 1 = 0.01
TF-IDF(石油) = 0.01 * 1.221 = 0.01221
TF-IDF(开采) = 0.02 * 1.7 = 0.034
TF-IDF(的) = 0.05 * 0 = 0
通过计算结果可以发现，如果只选取一个关键词，则整篇文章是关于“开采”的；如果选取两个关键词，则整篇文章是关于“开采”、“石油”的。