所有 TF-IDF 加权方案都只是启发式方法，以给予不寻常的术语更多的权重。我不确定 TF-IDF 方案背后通常有一个坚实的统计基础（参见参考资料 1），除了观察到 TF-IDF 往往比简单的字数统计产生更好的结果。由于结果的质量首先是 TF-IDF 的主要（唯一？）理由，因此有人可能会争辩说，尝试使用 +1 和不使用 +1 的方法并选择最好的方法就可以了。

如果我正确地阅读了这个sckit 学习线程，看来您不是第一个提出关于将 IDF 分数加 1 的类似问题的人。关于该线程的共识是 +1 也是非标准行为。我只是略读了一下，但该线程似乎没有包含 +1 的响亮认可或理由。

所以选择 +1 具有将所有 IDF 值的下限置于 1 而不是 0 的效果。这与添加$e$包含您语料库中每个单词的文档。不知道为什么这可能会有所帮助，但也许是在特定情况下。甚至可以处理一些参数$c$在$c+\log\left(\frac{\text{numDocs}}{\text{docFreq+1}}\right)$作为调整参数，为您提供更灵活的 IDF 方案系列$c$作为他们的下限。

当 IDF 的下界为零时，乘积$\text{term frequency}\times\text{IDF}$对于某些术语可能为 0，因此这些术语在学习过程中根本没有权重；定性地说，这些术语非常常见，以至于它们没有提供与 NLP 任务相关的信息。当下限非零时，这些项将具有更大的影响。

1. 约翰·拉弗蒂和盖伊·黎巴嫩。“统计流形上的扩散核。” 机器学习杂志。2005 年。