我想你想看看文本挖掘人员所说的平滑。一种简单的平滑技术是在每个字数上加一个，因此没有一个字的概率估计为零——基本上假装每个字比实际出现的次数多。概括地说，这有时被称为“拉普拉斯平滑”或“加法平滑”——它是一种应用于概率估计的收缩形式。

大多数情况下，对于简单的问题，add-one smoothing 可以正常工作，因此如果您尝试开始，这是一个很好的起点，听起来就是这样。

然而，还有更多的技术，你需要小心地将这个“加一”应用于二元/n-gram。如果您想深入了解，这里有非常丰富的文献。查看Good-Turing Smoothing和Katz Smoothing以及m-estimate smoothing以了解这些技术的特点。

如果没有更多细节，很难回答您的需求。在文本分析中，词频被替换为tf*idf，它代表“词频乘以逆文档频率”。这是一个经验分数，可以纠正语料库中频繁出现的术语，因此不会区分文档。它被广泛用于比较文本，特别是通过余弦相似度度量。

在实践中，您计算​​文档中术语的频率 (tf) 并将其乘以包含该术语的文档的倒数的对数 (idf)。

Python的NLTK （自然语言工具包）站点包含它的实现，以及其他工具和大量解释。

也就是说，如果你真正想要的是一个单词出现概率的估计，我不知道你是否能得到比频率更好的结果。如果计数为 0，您可以使用贝叶斯估计器 (k+1) / (n+1)，其中 k 和 n 分别是字数和文本大小。

编辑：要深入了解 IDF，请查看 S. Robertson 的论文Understanding Inverse Document Frequency