===== 重要度 =====
==== 重要度とは ====
  * 文や単語がどの程度重要かを数値化する計算または処理。特徴度も同じ意味で用いる。[[キーワード抽出]]も参照。
  * 下記の２アルゴリズムが有名。
    * [[重要度:tf-idf]]
    * [[重要度:okapi_bm25]]

==== パラメーター ====

^単語^特定分野(S)^一般分野(G)|
^w|a = freq(w, S)|b = freq(w, G)|
^!w|c = freq(!w, S)|d = freq(!w, G)|

ここで、freq(w, S)はコーパスS中の単語 w の出現頻度、!w はw以外の全単語を意味する。
また、コーパスS+Gの全単語の出現頻度を n (=a + b + c + d)とする。

以下の a, b, c, d, nは上記の意味で用いる。ln()は自然対数、sqrt()は平方根を意味する。

==== 対数尤度比 ====
  
  llr = 2 * (f(a) + f(b) + f(c) + f(d) + f(n) - f(a + b) - f(a + c) - f(b + d) - f(c + d))
  ただし f(x) = x * ln(x)


==== χ^2値 ====

  chi2 = n * (a * d - b * c) ** 2 / ((a + b) * (c + d) * (a + c) * (b + d))
  
==== イェーツ補正χ^2値 ====

  yates = n * (abs(a * d - b * c) - n / 2) ** 2 / ((a + b) * (c + d) * (a + c) * (b + d))

==== 自己相互情報量 ====

  pmi = ln(a) + ln(n) - ln((a + b) * (a + c))
  
==== コサイン類似度 ====

  cos = a / sqrt((a + b) * (a + c))
  
==== Dice係数 ====

  dice = 2 * a / ((a + b) + (a + c))

==== 補完類似度 ====

  csm = (a * d - b * c) / sqrt((a + c) * (b + d))

==== 参考文献 ====
  * [[https://www.jstage.jst.go.jp/article/jnlp1994/11/3/11_3_165/_pdf/-char/ja|英語教育のための分野特徴単語の選定尺度の比較]]