Soit un document $d$ :

• constitué de $K$ mots $d[1]$, …, $d[i]$, ….
• appartenant au vocabulaire $V = \{t_1,...,t_m\}$ constitué de $m$ termes.

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~:

où |d| est le nombre de mots dans le document.

Soit $B$ un corpus de documents, constitué de $n$ documents.

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 $d$.

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 $t$

$$I(t) = -\log_2 g(t)$$

• $I(t) = 0$ ⇒ 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")