从文档集推导html标签影响因子的算法

在web文档中，同一个关键词处在不同html标签中，其对中心思想影响程度各不相同。选择合适的标签影响因子，对于构建文档的数学模型至关重要。本文在总结前人研究基础之上，提出了一种新的推导算法，该算法提出了ttf（标引词标签频率）和itf（逆标签频率）等定义，构造出行序为标签、列序为关键词的文挡矩阵。从中抽取每个文档的某一特定行向量组构成一个新的向量集舍，根据这个新集合中各个向量到质心的平均距离，就能得出该特定行向量集合所代表的标签的影响因子（针对训练文档集合）。如果训练文档集合的容量放大到足够，就可以近似认