TF-IDF
Term Frequency × Inverse Document Frequency. Formule classique de classement de textes : importance d'un mot = fréquence dans le document × rareté dans le corpus. Standard depuis les années 1970. Fondement de BM25.
TF : nombre d'occurrences du terme dans le document — ou à échelle logarithmique. IDF : log(N / df), où df est le nombre de documents contenant le terme. Les termes rares (propres à quelques documents) obtiennent un IDF élevé ; les mots courants (le, de) un IDF faible. Score final = TF × IDF. Cas d'usage : notation par défaut de Lucene/Elasticsearch (avant BM25), ingénierie de caractéristiques pour le ML, extraction de mots-clés de base. Aujourd'hui : BM25 (années 1990), amélioration probabiliste avec normalisation de la longueur et saturation, remplace TF-IDF dans les moteurs de recherche en pratique. La recherche par plongements (récupération vectorielle) lui dispute le terrain de la similarité sémantique.