基本公式：
TF = 某词在文章中出现的次数/文章包含的总词数（或者等于某词出现的次数）
DF = （包含某词的文档数）/（语料库的文档总数）
IDF = log（（语料库的文档总数）/（包含某词的文档数+1））
TFIDF = TF*IDF
算法选择：
在提取关键词之前必须剔除掉停用词。
利用IDF调低常用词权重：剔除停用词之后，比如“中国”等，要计算IDF前提是有充实的语料库。利用IDF作为惩罚权重，就可以计算词的TFIDF。
构建模型指标选择：TFIDF。TF受高频词影响较大，排除；在正负样本未分开统计的情况下，DF 对于部分词汇在正向样本和负向样本的相同，无法区分。
TF-IDF算法总结：
优点：简单快速，结果比较符合实际情况。
缺点：单纯以"词频"衡量一个词的重要性，不够全面，有时重要的词可能出现次数并不多。无法体现词的位置信息，出现位置靠前的词与出现位置靠后的词，都被视为重要性相同。（一种解决方法是，对全文的第一段和每一段的第一句话，给予较大的权重。）