构建TFIDF模型代码

好的，以下是使用Python中的sklearn库构建TF-IDF模型的示例代码：

from sklearn.feature_extraction.text import TfidfVectorizer

# 假设有3篇文档
doc1 = "This is a sample document."
doc2 = "This is another example document."
doc3 = "No more documents, this is the last one."

# 构建TF-IDF向量化器
vectorizer = TfidfVectorizer()

# 将文档列表转换为TF-IDF向量表示
tfidf_matrix = vectorizer.fit_transform([doc1, doc2, doc3])

# 输出每个词的特征值
print(vectorizer.get_feature_names())

# 输出每个文档的TF-IDF向量表示
print(tfidf_matrix.toarray())

以上代码中，首先定义了三篇文档，然后使用sklearn库中的TfidfVectorizer构建了一个TF-IDF向量化器。接着，将文档列表传入向量化器中，使用fit_transform()方法将文档转换为TF-IDF向量表示。最后，使用get_feature_names()方法输出每个词的特征值，使用toarray()方法输出每个文档的TF-IDF向量表示。

需要注意的是，这只是一个简单的示例，实际应用中可能需要根据具体情况进行参数调整和预处理。