where tfik is the term frequency we

where tfik is the term frequency weight of term k in document Di, and fik is the number of occurrences of term k in the document. In the vector space model, normalization is part of the cosine measure. A document collection can contain documents of many different lengths. Although normalization accounts for this to some degree, long documents can have many terms occurring once and others occurring hundreds of times. Retrieval experiments have shown that to reduce the impact of these frequent terms, it is effective to use the logarithm of the number of term occurrences in tf weights rather than the raw count

ผลลัพธ์ (ไทย) 1:

ที่ tfik น้ำหนักระยะความถี่ของคำ k ในเอกสาร Di และ fik คือ หมายเลขของเหตุการณ์ของคำ k ในเอกสาร ในรูปแบบเวกเตอร์ ฟื้นฟูเป็นส่วนหนึ่งของการวัดค่าโคไซน์ คอลเลกชันเอกสารสามารถประกอบด้วยเอกสารความยาวต่างกันมาก แม้ว่าปกติบัญชีนี้ในระดับหนึ่ง เอกสารที่ยาวได้หลายเงื่อนไขเกิดขึ้นหนึ่งครั้งและอื่น ๆ เกิดขึ้นหลายร้อยเท่า เรียกการทดลองได้แสดงให้เห็นว่า เพื่อลดผลกระทบของข้อกำหนดเหล่านี้บ่อยครั้ง การค่าลอการิทึมของจำนวนระยะใน tf น้ำหนักมากกว่าจำนวนวัตถุดิบ

ผลลัพธ์ (ไทย) 2:

ที่ tfik คือน้ำหนักความถี่ระยะเวลาของ K คำในเอกสาร Di และ fik คือจำนวนของการเกิดขึ้นของ K คำในเอกสาร ในพื้นที่แบบเวกเตอร์, การฟื้นฟูเป็นส่วนหนึ่งของมาตรการโคไซน์ คอลเลกชันเอกสารสามารถมีเอกสารของความยาวแตกต่างกันมาก แม้ว่าบัญชีบรรทัดฐานสำหรับการศึกษาระดับปริญญาบางเอกสารขนาดยาวสามารถมีหลายคำที่เกิดขึ้นเพียงครั้งเดียวและคนอื่น ๆ ที่เกิดขึ้นหลายร้อยครั้ง การทดลองดึงได้แสดงให้เห็นว่าเพื่อลดผลกระทบของข้อตกลงที่พบบ่อยเหล่านี้จะมีประสิทธิภาพในการใช้ลอการิทึมของจำนวนของการเกิดขึ้นในระยะน้ำหนัก TF มากกว่านับดิบ

ผลลัพธ์ (ไทย) 3:

ที่ tfik คือความถี่ระยะน้ำหนักในระยะ K ในเอกสารดีและ fik คือจำนวนของการเกิดขึ้นของเงื่อนไข K ในเอกสาร ในปริภูมิเวกเตอร์แบบ บรรทัดฐาน เป็นส่วนหนึ่งของโคไซน์วัด เอกสารคอลเลกชันสามารถมีเอกสารของความยาวที่แตกต่างกันมาก แม้ว่าบัญชีบรรทัดฐานนี้ในระดับหนึ่ง , เอกสารนาน ก็มีเงื่อนไขมากมายที่เกิดขึ้นครั้งเดียวและผู้อื่นที่เกิดขึ้นหลายร้อยเท่า การทดลองแสดงให้เห็นว่าการลดผลกระทบของข้อตกลงบ่อยเหล่านี้จะมีประสิทธิภาพที่จะใช้ค่าลอการิทึมของจำนวนเงื่อนไขเหตุการณ์ใน TF น้ำหนักมากกว่านับวัตถุดิบ