TF-IDF：那个被谷歌用烂了但你还搞不明白的老古董
你肯定遇到过这种情况——吭哧吭哧写了一篇长文，关键词密度控制得特精准，标题、H1、粗体里都埋好了词，可搜索引擎就是不给你排名。气不气？
我当时差点把键盘砸了。那是几年前一个旅游类项目的页面，我按教科书式的方法优化：目标关键词“京都民宿推荐”出现频率刚好2.1%，LSI词也撒了几个……结果连个影子都没在首页。反倒是几个内容明显更水、关键词堆得跟小山似的页面排在前头。
后来我一较真，把那些排名靠前的页面全扒下来做词频分析。结果发现，人家文章里除了核心词，大量分布着一些我压根没想到的词——“和式”、“町屋”、“鸭川”、“夜枫”……这些词跟“京都民宿”在语义上强相关，可我一个字没提。
这就是TF-IDF给我上的第一课。
TF-IDF不是公式，而是一面照妖镜
别被那些数学符号吓着。其实核心思想特简单：一个词在一篇文章里反复出现（词频高），但在整个语料库里很少见（逆文档频率高），那这个词就很有可能是文里的关键主题词。反过来，满世界都是的“的”、“是”、“一个”，就算你每段用十次，也不会有人觉得它是重点。
这就是 TF（词频）和IDF（逆文档频率）的游戏。
https://obgeo.oss-cn-beijing.aliyuncs.com/pvc-articles/4b672369-7a69-4ecf-abcd-8996f21e4259.jpg
中文文本TF-IDF核心词汇热力分布图
说实话，我第一次接触这玩意是在大学数据挖掘课上，感觉就是套枯燥的统计学公式。但放到SEO实战里，它突然就活过来了——它像一面镜子，照出你内容里那些“你以为写了但其实没写”的语义盲区。很多人做关键词研究光盯着搜索量，却忘了搜索引擎早在十几年前就开始用类似TF-IDF的机制去理解一篇文档到底在讲什么。
不过话说回来，现在谷歌肯定早不用最原始的TF-IDF了，BERT、MUM那些大模型已经能理解上下文和实体关系。可这个思维的底子没变：不要孤零零地堆砌关键词，要用相关词群去覆盖一个主题的方方面面。你如果去看那些自然排名靠前的页面，它们的词频-逆文档分布通常特别均衡，像搭积木一样把主题词、属性词、场景词、动作词都码齐了。
实战：打死我也没想到，TF-IDF还能这样用
有一次我帮一个做宠物用品的站优化“狗粮推荐”页面。直接找来前20名竞品页，跑了个TF-IDF脚本（现在网上开源工具一大堆），把它们的拼接文本当成语料库。结果出来一个清单，我人都傻了——除了“狗粮”、“天然”、“无谷”这些意料中的词，居然还有“泪痕”、“软便”、“适口性”、“冻干双拼”……这些词我的页面里一个都没有。
我把这些词按IDF值从高到低排，高IDF词就是你的差异化发力点——因为它们在竞品页里出现频率低，但在某些优质页里存在，意味着它们可能是被低估的语义信号。然后我针对这些词，自然地补充了段落，不是硬塞那种，比如在讲成分时带出“某些狗狗吃了谷物容易软便”，在讲口感时提到“挑嘴狗可以试试冻干双拼，适口性更好”。
https://obgeo.oss-cn-beijing.aliyuncs.com/pvc-articles/821177a1-d8dc-4a2a-891a-c17135f2e812.jpg
SEO内容优化TF-IDF关键词差距分析表
两周后那个页面流量涨了40%，长尾词过来一堆。这事儿让我明白，TF-IDF根本不是用来算密度的，它是帮你发现“内容缺口”的侦探工具。你用主关键词去搜索，把搜索结果页的文本全部抓下来，算一下整体语料里的IDF，再回头对比你自己的文稿，缺哪些高IDF词一目了然。
对了，别只盯着词，实体也很重要。比如你讨论“手机拍照”，高IDF词可能有“CMOS尺寸”、“OIS防抖”，但更高阶的做法是结合 Knowledge Graph 里的实体“索尼IMX989”、“杜比视界”这种，它们天然带极强的话题相关性。
哎，说说那些哭笑不得的坑
https://obgeo.oss-cn-beijing.aliyuncs.com/pvc-articles/94693fe1-fd70-414b-a115-d3597b6c943e.jpg
哎，说说那些哭笑不得的坑
我见过太多人掉进同一个坑：迷信一个数字。要么淘宝买篇文章检测服务，非要把某个词的TF-IDF命中某个区间才满意，要么拿着某个SEO插件给出的“关键词密度建议”当圣旨，把文章改得读起来像机器人写的——然后来问我为什么没排名。
我只能回：TF-IDF是参考系，不是刻舟求剑的刻度。
还有个常见错误，就是把所有页面放在一起算语料库。你要分析的是“跟你竞争同一个搜索意图的页面群”，而不是全站内容。比如你写“Python数据分析教程”，那语料库就应该取SERP前20的教程页，千万别把官网首页、招聘信息也混进去，IDF就这样被带偏了。
再一个，有些词TF高、IDF也高，但不代表你该疯狂重复它。比如“最好”，IDF可能不低，但大量出现会显得你的内容很夸张，反而伤可信度——这时候就要用情感分析辅助判断。
最搞笑的是，有人以为套上TF-IDF思维就万事大吉了，然后页面体验一塌糊涂、加载五秒、移动端适配稀烂，谷歌就算看懂了你的语义也可能因为 Core Web Vitals 把你踢下去。这世道，孩子才做选择，成年人全都要。
那么，TF-IDF到底过时没？表面上看，它是个老掉牙的算法，但它的核心思想——“用统计方法找到文档中重要且独有的词汇”——已经长进现代信息检索的DNA里了。你如果能跳出公式本身，把它当成一种审视内容结构的习惯，那真的，比跟风学什么黑科技都管用。
就这样吧，说多了又显得啰嗦。 楼主考虑得很全面，不仅讲了方法，还提到了注意事项，非常贴心。 不管是内容还是排版都很用心，看得出来楼主花了不少时间，必须支持。 之前一直半知半解，看了你的解释一下子就明白了，讲得通俗易懂。 感谢楼主无私分享经验，少走了很多弯路，对我们帮助特别大。 这个话题确实很值得讨论，我也有类似的经历，非常认同楼主的观点。 说得很有道理，很多观点都说到点子上了，希望以后能多看到这类帖子。
页:
[1]