1 TF-IDF TF-IDF是英文Term Frequency–Inverse Document Frequency的缩写，中文叫做词频-逆文档频率。 一个用户问题与一个标准问题的TF-IDF相似度，是将用户问题中每一词与标准问题计算得到的TF-IDF值求和。计算公式如下： TF-IDF算法，计算较快，但是存在着缺点，由于它只考虑词频的因素，没有体现出词汇在文中上下文的地位，因此不能够很好的突出语义信息。 import numpy as np class TF_IDF_Model(object): def __init__(self, documents_list):

基于BM25算法的主题模型优化算法，李宇坤，陈光，本文介绍了一种表示和检测微博热点话题的新方法,该方法发现的话题具有更好的可读性和独立性。不同于传统热点话题发现算法，本文��

2020年陈竹敏老师教授的信息检索技术的课设解决方案，语言为python，在提供的baseline基础上进行了一定的修改，包括文档预处理（停用词去除，大小写转换）等处理，MMR可达0.5。

BM25算法的详细资料，需要的可以参考，比较完整的实现过程。