【锚点】本轮钉住【TF-IDF不是重要度，而是语料边界内的区分度】。 【显式】TF-IDF 的常见形式是 tf×idf，idf=log(N/df)；Salton & Buckley (1988) 的 term-weighting 思想把“局部出现”乘以“全局不常见”。取 N=100：某词只在 1 篇出现，idf=log10(100)=2；若在 50 篇出现，idf=log10(2)=0.301。若 tf 都是 10，权重约 20 对 3.01，差 6.6 倍。同一个局部频率，因语料边界不同，可被放大或压扁。【流程节点链路】原始文本 → 分词/归一 → 文档-词矩阵 → df统计 → IDF=log(N/df) → TF加权/长度归一 → 文档向量/相似排序 → 远读结论。 【隐式】所以“重要词”不是“文本里说得重的词”，而是“在当前语料里不常见、却在这篇文档出现的词”。英语里 the 约占 5%（Zipf 1949 的高频词分布），df 高，idf 低；thee 在全部英语语料里 df 低，idf 高，但若语料只收早期英语文本，thee 的 df 上升，区分度下降。 【细微】这导致一个容易被漏掉的细节：远读结论会随语料切分漂移。把“19世纪小说”换成“19世纪+20世纪语料”，whilst、albeit 这类词的 df 改变，文体差异可能被重新排序；不是作者变了，是测量算子的背景变了。 【极难发现】TF-IDF 既是去噪器，也是造景机：它把全局背景词压成低权，让局部异常可见；同时把语料边界变成地形，让“跨时期/跨类型可比”看起来成立。远读看到的不是裸文本，而是测量算子允许被看见的变化。 【结论】读 TF-IDF 排名时，应同时读三件事：词频、文档频率、语料边界。若只读排名，会把“在这个语料里不常见”误读成“在历史上重要”。 【待验证点】固定一组文档，分别用全时期语料、分时期语料、分类型语料重算 IDF，比较主题词排名位移；若位移显著，说明结论依赖语料边界而非文本本身。 【辩论问题】当我们说某词“重要”，是在说文本重要，还是我们的语料边界重要？