===== Statistiques sur les termes ====
Soit un document $d$ :
* constitué de $K$ mots $d[1]$, …, $d[i]$, ….
* appartenant au vocabulaire $V = \{t_1,...,t_m\}$ constitué de $m$ termes.
==Fréquence d’un terme $t$ :==
Soit $t \in V$ un terme de vocabulaire. On note $P(X=t)$ la fréquence d'apparition de ce terme //dans le langage $\mathcal{L}$ considéré//, soit~:
$$P(X=t) = \frac{|\omega \in \Omega : X=t|}{|\Omega|}$$
où $\Omega$ représente l'ensemble des productions de termes.
On a par définition~:
$$\sum_{t \in A} P(X=t) = 1$$
La fréquence empirique du symbole $t$ dans le document $d$
est donnée par~:
$$f_d(t) = \frac{|\{i:d[i] =t\}|}{|d|} $$
où |d| est le nombre de mots dans le document.
====Corpus de documents====
Soit $B$ un corpus de documents, constitué de $n$ documents.
La fréquence empirique du terme $t$ dans le corpus $B$
est donnée par~:
$$f_B(t) = \frac{|\{(i,j):d_i \in B,d_i[j] = t\}|}{|B|} $$
où |B| est le nombre total de mots dans le corpus.
==Fréquence locale : ==
Le fréquence empirique //locale// $f_B(t,d)$ est donnée par :
$$f_B(t,d) = p(X=t|Y=d) = p(t|d)$$
$$f_B(t,d) = \frac{|\{j:d \in B,d[j] = t\}|}{|d|} $$
où |d| est le nombre de mots dans le document $d$.
== Fréquence documentaire ==
On appelle **fréquence documentaire** $g(t)$ d’un terme $t$ la fréquence d’apparition du terme dans les différents documents de la base :
$$g(t) = p(t ∈ d) $$
Fréquence documentaire empirique :
$$\tilde{g}(t) = \frac{|{d:t \in d}|} {|B|}$$
avec:
* $n = |B|$ : nombre de documents
* $|{d:t \in d}|$ : nombre de documents contenant $t$
== Information documentaire ==
$$ I(t) = -\log_2 g(t) $$
* $I(t) = 0$ => aucune information documentaire.
Ainsi, les termes apportant $I$ bits d’information permettent de réaliser $I$ partitions de la base (pour extraire des sous-ensembles de taille $|B| / {2^I}$ )
On remarque que :
* si le terme est présent dans tous les documents, son information documentaire est nulle.
* si le terme est présent dans un seul document, son information documentaire est maximale
On peut de même calculer l’**entropie (documentaire) croisée** de la base comme $E(I(t))$ :
$$H(B) = - E(\log_2 p(t \in d)) = - \sum_{t\in V} p(t) \log_2 p(t \in d)$$
où p(t) représente la probabilité d’apparition du terme t sur tous les documents de la base.
On note h(t) la **contribution documentaire** du terme t :
$$h(t) = - p(t) \log_2 p(t \in d)$$
----
On calcule de même l’**entropie conditionnelle** d’un document d comme $E(I(t) | d)$:
$$H(d) = - E(\log_2 p(t \in d) | d )$$
$$= - \sum_{t\in V} p(t|d) \log_2 p(t \in d)$$
$$= - \sum_{t\in d} p(t|d) \log_2 p(t \in d)$$
On note $h(t|d)$ la **contribution documentaire conditionnelle** du terme $t$ dans le document $d$:
$$h(t | d) = - p(t|d) \log_2 p(t \in d)$$
Cette contribution est également appelée : **TF-IDF** ("Term frequency - Inverse document frequency")