机器咋判断两篇文章像不像？聊聊 TF-IDF 这把尺
先说人话：它给每个词打个「重要分」
TF-IDF 是个给词打分的老法子，专门衡量「一个词对一篇文章有多重要」。TF 是词频（Term Frequency），说白了就是这个词在文章里出现得多不多；IDF 是逆文档频率（Inverse Document Frequency），说的是这词在所有文章里稀不稀有。俩一乘，就得出一个分数：又常见（在这篇里）、又稀罕（在别的篇里少）的词，分最高，最代表这篇文章的调性。它不深不花哨，就是一把帮机器判断「这篇到底在讲啥」的土尺子，谁都能拎起来用。
TF 这半拉：出现越多，越像关键词？
先拆 TF。它干的事特直白——数数。一个词在文章里冒出来多少次，次数越多，它就越可能是这篇文章的主角。比如一篇讲「猫」的文章，「猫」字满篇跑，TF 就高。但这招立马露怯：像「的」「了」「是」这种废话词，出现得比谁都多，按 TF 它们最该是关键词，纯属瞎扯。所以光靠 TF 不行，得有人管管这些烂大街的词——这就轮到 IDF 上场了，它专治这种虚胖。
IDF 这半拉：越烂大街，越要压下去
IDF 干的，就是给「烂大街词」泼冷水。它的逻辑：一个词要是每篇文章都有（比如「的」「我们」），那它压根分不清文章，重要个屁，分数往下压；反过来，一个词只在少数文章出现（比如「量子」「桑拿」），那它八成是某篇的独家标签，分数往上抬。IDF 就这么把「谁都有的」和「独此一份的」区别开。所以 TF 管「这篇里多不多」，IDF 管「别处稀不稀」，俩一个管局部、一个管全局，配合得刚刚好，谁也离不了谁。
合起来咋用：用分数比文章像不像
TF 乘 IDF，每个词拿到一个分，一篇文章就变成一长串「词—分」的清单。比两篇文章像不像，就把它们的清单摆一块儿：重合的高分词越多，说明讲的越是一个调调。搜索引擎早期就这么干——你搜「怎么做红烧肉」，它把库里每篇按这法子打分、跟你的词对上号的排前面。它比单纯数「有没有这词」聪明，因为会区分「关键稀有词」和「废话常用词」，排序才像点人话，不至于满屏都是蹭热词的水文。
它为啥被嫌弃：不懂词意、不认近义词
但 TF-IDF 有个死穴：它只认字面，不懂意思。「车」和「汽车」它当俩词，「苹果公司」和「苹果水果」它分不清，近义词、同义词更是一点不认。所以你搜「手机」，它搜不出标了「移动电话」的文章，死板得很。如今有了能懂语义的向量模型（把文章变成意思向量再比），TF-IDF 这种字面尺子就显得拙了。它就停在那儿：会数词、不会懂词，这是它跨不过的坎，也是被后浪拍在沙滩上的根儿。
可它还没退休：便宜、皮实、好解释
别看被嫌弃，TF-IDF 至今没下岗。原因特实在：它便宜啊——不用大模型、不烧显卡，几行代码就跑，小网站、小数据、要个快出活儿的场合，它比花里胡哨的向量模型划算多了。而且它好解释：哪个词分高、为啥排前，一目了然，不黑盒。所以真落地，老炮常拿它当基线、当快筛，粗粗分一拨再交给精细模型。它就像算盘，算不过计算机，但拎着方便、看得懂，该用还得用，别一味追新。
