TF-IDF 介紹：利用 TF-IDF，理解關鍵字權重的祕密 | 白話文商學院

TF-IDF 是什麼？TF-IDF（詞頻-逆文件頻率）把一個詞在單篇文章出現的頻率，乘上它在整個語料庫的稀有程度，算出一個分數，用來判斷這個詞對這篇文章有多重要。它在資訊檢索領域已沿用超過半世紀，至今仍是排序模型的基礎特徵，也被 Lucene 等開源搜尋引擎收進核心實作 [來源：Apache Lucene〈Scoring — Apache Lucene〉〈https://lucene.apache.org/core/9_9_0/core/org/apache/lucene/search/package-summary.html#scoring〉〈2024〉]。

重點先看：TF-IDF 不是 Google 的直接排名因子，真正的價值在於當「差距分析器」。拿自己的文章跟 SERP 前 10-20 名競品做 TF-IDF 向量比值，比值 < 0.5 就是缺詞、> 2 且高於競品 75 百分位就是過度重複（類似關鍵字自相殘殺的症狀），這組門檻才是 2026 年還用它的唯一理由。

TF-IDF 衡量的是詞對文件的重要性

TF-IDF 衡量的是「一個詞對某一份文件有多重要」，計算方式是把這個詞在該文件出現的頻率，乘上它在整個語料庫的稀有程度。分數愈高，代表這個詞愈能代表這篇文章的主題。直覺只有兩句：在這篇文章常出現（TF 高），加上在整個語料庫少見（IDF 高），就等於重要。

要釐清一個常被搞混的定位：它是統計權重，不是機器學習模型。輸入是一堆文字，輸出是每個詞一個分數，沒有訓練、沒有參數調優。這種簡單也正好是它的強項，因為整套流程可解釋、可重現、不依賴付費 API。它長期用於 資訊檢索、文字探勘、推薦系統與 NLP 管線，至今仍是許多排序模型的基礎特徵之一 [來源：Wikipedia〈Tf-idf〉〈https://zh.wikipedia.org/zh-tw/Tf-idf〉〈2026〉]。

反例最能說明它的邏輯。像「的」「和」這類停用字，在每篇文章都高頻出現，但因為到處都是，IDF 會被壓到很低，最終權重反而低。換成「獨角獸」這種只在少數文章出現的詞，IDF 衝高，如果它又在某篇文章裡出現很多次，TF-IDF 就會給它一個亮眼的分數。

TF-IDF 真正的實戰增量不在背公式，而在當「差距分析器」：把自家文章跟 SERP 前段競品的用詞比重比一比，比值偏低的就是缺詞、偏高的就是重複過頭。後面會展開這套門檻怎麼定。

TF 與 IDF 各自的定義

拆開看，TF（詞頻）計算某個詞在同一篇文章出現的次數或比例，次數愈高代表它愈可能是重點；IDF（逆文件頻率）則衡量這個詞在整個語料庫出現在多少份文件中，出現的文件愈少、IDF 值愈大，代表這個詞愈稀有、區分力愈強。兩者相乘就是 TF-IDF。

具體看 TF 這把量尺。TF-IDF 的經典定義最早出現在資訊檢索文獻裡。最樸素的做法是直接數詞出現幾次，但這會讓長文先天佔便宜，一篇 5000 字的文章幾乎什麼詞都會高頻。實務上會做正規化，把次數除以文件總詞數，或套用對數縮放（log-scaled TF）壓制極端值。scikit-learn 的 TfidfVectorizer 預設就用 sublinear TF（1 + log(tf)）這類手法 [來源：scikit-learn〈TfidfVectorizer〉〈https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html〉〈2025〉]。正規化之後，長文與短文才擺在同一個基準上比。

TF 的變體不只一種，會直接影響最後缺詞清單的長相。最常見的三種是原始計數（raw count）、次數除以文件總詞數的比例（term frequency）、以及前面提過的 sublinear TF。原始計數對長文最寬鬆，幾乎不建議單獨使用；比例法把長短文拉到同一基準，但會壓低短文裡重複出現的詞；sublinear TF 用對數壓制高頻詞的影響力，讓一個詞從出現三次進到十次時，權重不會線性飆高。挑哪一種，要看你比較的文章長度分布。如果你的語料庫裡文章長度差異大（例如同時收了 800 字短評與 6000 字深度長文），sublinear TF 通常最穩定；若長度接近，比例法就夠用。把變體選錯，最常見的後果是把短文判定成「樣樣缺詞」，因為它每個詞的絕對次數本來就低。

IDF 公式怎麼算：含平滑的版本

IDF 的標準公式長這樣：idf(t) = log(1 + N / (1 + n_t))。N 是語料庫文件總數，n_t 是含有詞詞的文件數。分子分母各加 1 稱為平滑（smoothing），目的是避免 n_t 等於 0 時除以零，同時壓制極端稀有詞帶來的誤差。愈少文件提到的詞，IDF 值愈大，代表它稀有且具區分力；幾乎每份都有的詞，IDF 會趨近零，不具區分力 [來源：Wikipedia〈Tf-idf〉〈https://zh.wikipedia.org/zh-tw/Tf-idf〉〈2026〉]。

為什麼 IDF 要加 1 這件事值得多說一句。拿沒有平滑的公式算 IDF，一篇從沒被收進語料庫的新詞會直接讓程式炸掉。加 1 不是數學裝飾，是工程必要。平滑還會把「全語料庫只出現一次」的詞，從無窮大的 IDF 拉回一個有限值，避免少數超稀有詞獨占權重、把整份向量拉偏。實作上這代表你不必為了「某個詞只在一篇出現過」而緊張，它不會因為罕見就吃掉整篇的語意重心。TF 看的是「這篇文章內部」，IDF 看的是「整個語料庫外部」，兩者相乘才同時兼顧局部與全局。

變體 / 參數	對缺詞清單的影響
原始計數 TF	對長文最寬鬆，幾乎不建議單獨使用
比例 TF（次數 ÷ 文件總詞數）	長短文同基準，但會壓低短文重複詞
sublinear TF（1 + log(tf)）	對數壓制高頻詞，文章長度差異大時最穩定
IDF 平滑（分子分母各加 1）	避免除以零，並壓制極端稀有詞的權重

一個極端例子：同一個詞在不同語料庫的分數天差地別

用一個具體情境感受 IDF 的相對性。假設要分析的字是「外匯保證金」，語料庫 A 是一群理財入門文章，這個詞在裡面很常見，IDF 會偏低；語料庫 B 是一群運動健身文章，幾乎沒人提到這個詞，IDF 會被拉到很高。同一個詞、同一篇文章，只因為你拿來當對照的語料庫不同，算出來的重要性分數可以差到數倍以上。這也解釋了一件事：為什麼把缺詞清單奉為絕對真理很危險。缺詞清單的每一筆，都綁定在某一組特定競品頁面上，換一個查詢意圖、換一個 SERP 排序，清單就會跟著變動。把 IDF 當成「在這個競爭環境裡，這個詞有多稀奇」的相對量尺，比把它當成詞本身的屬性，更貼近實務。

語料庫的選擇決定 IDF 的可信度

算 IDF 之前，語料庫的選擇決定結果會不會失真。關鍵原則是：語料庫只要剛好覆蓋你的任務範圍，又不把無關內容塞進來，IDF 才會真正反映你想比較的世界。挑法可以濃縮成三步：先想清楚要解決什麼問題，再收集真正相關的文件，最後跟著內容變動頻率定期重建。

SEO 情境下，語料庫的定義其實非常具體。它就是你目標關鍵字的 SERP 前 10-20 名頁面，因為搜尋引擎只拿這些跟你比。這也是為什麼 搜尋結果頁 SERP 的組成會直接影響你的分析結果，而 SERP 上的對手多半是 關鍵字排名優化做得到位的頁面。把無關文章塞進來，算出來的 IDF 就會跟你的競爭對手脫節，等於拿錯量尺量錯東西。

只看前 10-20 名這個門檻背後有點擊分布的鐵律撐著。對 4 百萬筆 Google 搜尋結果的分析顯示，前 3 名結果就拿走了 54.4% 的點擊，第 2 頁以後的結果只有 0.63% 的搜尋者會點 [來源：Backlinko〈Google CTR Stats: We Analyzed 4 Million Google Search Results〉 https://backlinko.com/google-ctr-stats 2025-04-16]。換句話說，真正決定你語意能不能被看見的，就是這一小群前段頁面，拿它們當 IDF 的母體，量出來的缺詞才貼近你真正要競爭的世界。

情境	語料庫來源	更新頻率
SEO 內容優化	目標關鍵字 SERP 前 10-20 名頁面	每月或每季重算
企業內部搜尋	所有有權限的內部文件一次索引（如 Elastic Enterprise Search）	隨文件變動即時更新
訓練通用 ML 模型	數萬篇、跨多主題文本	依訓練週期重建
法規、學術論文檢索	該領域公開文獻庫	半年到一年更新一次

企業內部搜尋是另一種典型。Elastic Enterprise Search 的官方建議是把公司所有有權限的文件一次索引，確保知識不被漏掉 [來源：Elastic〈Elastic Enterprise Search 文件〉〈https://www.elastic.co/guide/en/enterprise-search/current/index.html〉〈2025〉]。這跟 SEO 完全不同，因為任務目標不同。訓練通用機器學習模型又更極端，需要數萬篇、跨多主題的文本，才不會遇到生字或偏題。

更新頻率也要跟著內容變動頻率走。新聞、產品文件這類每天變動的內容，最好每週或每月重算 IDF；法規、學術論文改動慢，半年到一年更新一次就夠。常見錯誤是拿全網或維基百科整庫當 SEO 語料庫算 IDF，結果與競爭對手完全脫節。如果你做的是 關鍵字研究，這個語料庫選擇會直接決定你看到的缺詞清單有沒有意義，尤其是想衝 Google 關鍵字排名 時更是如此。

語料庫髒掉的三種典型症狀

判斷語料庫是不是髒掉，有幾個可觀察的症狀。第一個症狀是缺詞清單裡冒出一堆與主題無關的通用詞，例如「公司」「服務」「歡迎」這類導航型詞，這通常代表你把論壇討論串或商城首頁也收進語料庫，這些頁面的模板文字拉高了通用詞的 IDF 基準。第二個症狀是缺詞清單非常短、甚至幾乎空白，代表你的語料庫同質性太高，多半是把同一個網站的多篇頁面重複收進來。第三個症狀是同一批缺詞在不同月份大幅跳動，代表 SERP 結構正在洗牌，這時與其急著補詞，不如先確認 SERP 的組成是否已經換了一批頁面。把這三個症狀當成健檢訊號，比一味相信缺詞清單的數字更穩當。

TF-IDF 與 SEO 排名的真實關係

TF-IDF 到底會不會影響 Google 排名？答案很明確：不會直接影響。TF-IDF 本身不是 Google 的直接排名因子，但它在 SEO 搜尋引擎優化 的流程裡是最便宜、最可解釋的內容健檢與語意補洞工具。拿你的文章跟 SERP 前段做 TF-IDF 比對，找出用詞太少或重複過頭的詞，再自然補齊或刪減，能讓內容語意更完整、關鍵字更自然。

搜尋引擎底層仍看得到 TF-IDF 的影子。現代排序常混合稀疏關鍵字分數（BM25）與稠密語意向量，BM25 就是吸收 TF-IDF 思想、再加文件長度校正的後代，相關的概率檢索理論最早見於資訊檢索文獻中 Robertson 與 Zaragoza 等人的研究。這條從字面比對走向語意理解的演進，起點正是 蜂鳥演算法引入的語意搜尋。Google 自己也說過，Google 搜尋引擎 的排序評估的是整體內容品質、使用者滿意度與頁面權威，從來不是單一數值決定排名 [來源：Google Search Central〈Google 搜尋的運作方式〉〈https://developers.google.com/search/docs/fundamentals/how-search-works〉〈2025〉]。

工具面更有看頭。Surfer SEO、Ryte、SEMrush 把 TF-IDF 報表做成缺詞清單（content gap），補完可提升內容相關度、間接帶動排名。SurferSEO 公開發布的大型 SERP 樣本研究即指出，內容得分與排名呈顯著正相關。這不代表補詞就保證排上去，語意完整度本來就是 高品質內容的 E-E-A-T 原則 的一環，也是 內容行銷策略 講求的資訊完整度的基本功。

content gap 的價值在於它把「該寫什麼」變成一份可比對的清單。競品前段頁面共同高頻使用的詞，往往是這個主題讀者預期會看到的訊號；當你的文章完全沒覆蓋這些詞，等於在告訴搜尋引擎與讀者，這篇文章對主題的覆蓋面不完整。把缺詞補上，提升的是「主題覆蓋度」這個抽象指標，連帶讓相關查詢、長尾變體更容易命中你的頁面。URL 層面也有類似的字面覆蓋效應：一項針對 Google 搜尋結果的分析發現，網址中包含與關鍵字相近詞彙的頁面，點擊率比不包含的頁面高出 45% [來源：Backlinko〈Google CTR Stats: We Analyzed 4 Million Google Search Results〉 https://backlinko.com/google-ctr-stats 2025-04-16]。字面覆蓋對點擊的影響，與 TF-IDF 講求的「該出現的詞要出現」是同一條思路。在整體 ROI 的層次上，網站、部落格與 SEO 長期被行銷人列為投資報酬率第一的管道 [來源：HubSpot〈Marketing Statistics，引用 State of Marketing Report 2026〉 https://www.hubspot.com/marketing-statistics 2026]，這也是為什麼把 TF-IDF 這種免費的語意健檢當成例行保養，在小團隊裡特別划算。

這類語意健檢之所以重要，背景是絕大多數頁面根本拿不到流量。Ahrefs 對自家索引約 140 億個頁面的研究發現，96.55% 的頁面從 Google 拿不到任何自然流量，只有 1.94% 拿到每月 1 到 10 次造訪 [來源：Ahrefs〈96.55% of Content Gets No Traffic From Google. Here's How to Be in the Other 3.45%〉 https://ahrefs.com/blog/search-traffic-study/ 2023-12-01]。在這種分布下，TF-IDF 差距分析扮演的是把頁面推向那少數有流量區域的診斷動作，先把語意缺口補齊，內容才有機會進入前段競爭。

• 搜尋引擎底層：BM25 繼承 TF-IDF 思想並加文件長度校正，是 Lucene、Elasticsearch 預設評分 [來源：Elasticsearch〈Similarity module (BM25)〉〈https://www.elastic.co/guide/en/elasticsearch/reference/current/index-modules-similarity.html〉〈2025〉]。
• 工具應用：Surfer、Ryte、SEMrush 把 TF-IDF 做成 content gap 報表，補詞提升語意完整度。
• 進階用法：把 TF-IDF 分數高的詞當 內部連結 錨點文字，強化頁面間語意連結。
• 限制：Google 的 Helpful Content 與 AI 檢索看的是整體品質、E-E-A-T 與使用者滿意度，TF-IDF 只是發現語意缺口的量尺。

進階做法值得單獨提。把 TF-IDF 分數高的詞拿來當內部連結錨點文字，可以強化頁面之間的語意連結，避免一律用「點這裡」這種無意義鏈結詞。這也是一種更量化的 搜尋意圖分析，缺詞往往代表你漏掉了讀者會用的說法；若把這些缺口對應到 關鍵字搜尋意圖 來檢視，常能補出真正貼近讀者的段落。換句話說，TF-IDF 在 SEO 的位置很清楚：是發現語意缺口的工具，不是推動排名的引擎。

這裡有個必須畫清的界線。TF-IDF 補詞只提升語意完整度，排名是否上升還取決於整體內容品質與外部權威。有人把補詞當萬靈丹，以為塞滿關鍵字就能排上去，這正好踩到 Google 如何看待 AI 內容 與 重複內容對 SEO 的負面影響 的紅線，也很容易把 網站跳出率 拱高。把它當診斷工具，不要當排名魔法。

TF-IDF vs BM25 vs 向量檢索：三者擺在一起的比較

TF-IDF、BM25、向量搜尋到底差在哪？簡單講：TF-IDF 算的是詞對單一文件的重要性分數；BM25 是 TF-IDF 的升級版，多了文件長度與詞頻飽和校正，是現代搜尋引擎第一階粗排的標準做法；向量檢索把整段文字壓成稠密向量比對語意，能抓到同義詞但失去詞彙可解釋性。三者現在多半混合使用。

方法	核心機制	優點	缺點
TF-IDF	詞頻乘稀有度	最透明、可解釋、零成本	不考慮文件長度，長文會灌高分數
BM25	TF-IDF + 文件長度歸一化 + 詞頻飽和參數 k1、b	Lucene、Elasticsearch 預設評分，校正精準	仍只懂字面，不懂同義詞
向量檢索（dense vector）	文字轉幾百到幾千維 embedding 比語意相似度	懂同義詞與語意	分數不可解釋，易看起來相關其實偏題

BM25 屬於機率相關度模型，在 TF/IDF 之外加了文件長度歸一化與詞頻飽和參數 k1、b，是 Lucene 與 Elasticsearch 的預設評分函數 [來源：Elasticsearch〈Similarity module (BM25)〉〈https://www.elastic.co/guide/en/elasticsearch/reference/current/index-modules-similarity.html〉〈2025〉]。想深入了解可以看 BM25 如何決定餵給 LLM 的素材。BM25 解決的正是 TF-IDF 的最大痛點：長文會把分數灌高。

向量檢索走的是完全不同的路。它把文字轉成幾百到幾千維的稠密向量，比對的是語意相似度，懂同義詞但分數不可解釋，容易看起來相關其實偏題。這也是為什麼 檢索增強生成 RAG 與 大型語言模型 LLM 的時代，向量檢索常被誤以為能完全取代 BM25，其實不然。

2026 年的實務趨勢是混合檢索（hybrid search）。主流向量資料庫多採 BM25 粗排加向量融合的做法，例如 Weaviate 的 Hybrid Search 預設先跑 BM25 再融合向量分數，Pinecone 則需要先建立 sparse vector（如 BM25Encoder）才能混合 BM25 與 dense 分數，這些機制的細節以各產品官方文件為準。對 SEO 的啟示很清楚：字面相符（BM25、TF-IDF 系）與語意相符（向量）缺一不可，純靠語意寫作可能丟掉關鍵字字面覆蓋。

什麼情況該用哪一種：一個決策路徑

把三者放在一條決策路徑上挑，會比逐一記優缺點更實用。第一步先問任務要不要「字面精確命中」：如果查詢是產品型號、人名、法規條文這種一個字都不能錯的內容，字面系（TF-IDF、BM25）是主力，向量檢索只能當輔助。第二步問語料庫裡有沒有大量同義詞與換句說法，例如客服 FAQ、社群問答，這時向量檢索的語意相似度優勢才會浮現，純字面會漏掉用詞不同的等價問題。第三步問規模與延遲需求：千篇以下的內部搜尋，TF-IDF 或 BM25 已綽綽有餘，省下向量化與索引的維運成本；進到千萬篇以上、又要跨語言比對，向量檢索才真正發揮規模化優勢。SEO 內容優化的場景幾乎都落在第一步，這也是為什麼 content gap 報表用的是字面系，而不是向量相似度。

實戰：用 TF-IDF 差距分析為文章做語意補洞

怎麼實際用 TF-IDF 找出並補上文章的缺詞與過度詞？完整流程是：收斂查詢意圖與關鍵字、抓 SERP 前 15 名建立可比語料庫、斷詞並計算每篇文章的 TF-IDF 向量、把你的文章與競品平均做比值。比值低於 0.5 標為缺詞，比值高於 2 且高過競品 75 百分位標為可能過度。接著補強缺詞、降噪過度詞、更新標題與 alt、重新提交索引並監控兩週。

建立可比語料庫與預處理

語料庫是整個分析的母體，決定 IDF 算得準不準。先用 Keyword Planner 或工具的 Keyword Ideas 收攏月搜尋量 ≥ 300 的關鍵字，關於 關鍵字搜尋量指標 怎麼解讀、為何建議先做長尾關鍵字，可以對照著看，再搭配一份 長尾關鍵字攻略 鎖定競爭較小、轉換較高的詞。接著用無痕模式抓每個字的 SERP 前 15 名，清掉導航、廣告、評論區，這 40-60 篇就是計算 IDF 的母體。

清雜訊這一步很多人會跳過，但它是整個分析成不成的關鍵。SERP 裡常夾雜 用 canonical 解決重複內容 的鏡像頁、論壇討論串、導航型查詢頁，這些都會汙染語料庫。若你的關鍵字是 季節型或長青型分類 裡的長青款，語料庫相對穩定；若是季節型，記得在旺季前重抓一次。母體就緒後，中文用 jieba 斷詞、英文用 spaCy，刪停用字與標點 [來源：jieba〈jieba 中文分詞〉〈https://github.com/fxsjy/jieba〉〈2023〉、spaCy〈Industrial-strength NLP〉〈https://spacy.io/〉〈2025〉]，所有文章（含自己）一律做對數縮放 TF 與字數正規化，避免長文先天佔便宜。正規化的精神與 文章排版提升完讀率 一致：把變因控制住，比較才有意義。

差距檢測門檻與實作

把你的文章與競品的 TF-IDF 向量疊在一起，對每個詞計算「你的分數除以競品平均」。這組比值門檻是判斷該補還是該砍的依據，屬於實務經驗法則而非硬性規定：比值 < 0.5 代表你用這個詞的頻率遠低於競品平均，語意可能有缺口；比值 > 2 且高於競品 75 百分位代表重複過度，有 關鍵字填塞 風險；落在 0.5 到 2 之間則與競品用法接近。工具選擇上，直接用 Surfer 的 Content Gap 介面最省事；想客製可用 SEO 工具 搭配 scikit-learn 的 TfidfVectorizer 寫腳本 [來源：scikit-learn〈TfidfVectorizer〉〈https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html〉〈2025〉]。如果你的站點還在用 Ahrefs 或 Screaming Frog 做基礎健檢，TF-IDF 差距分析是它們沒覆蓋到的語意層補充；若是 WordPress 站，也能借助 WordPress SEO 外掛 或 Rank Math SEO 外掛教學 提供的內容分析欄位，先快速抓出明顯缺詞。

缺詞補強的做法，是把核心詞自然融入 title 與 meta description，圖片 alt 加入英文同義詞擴大多語覆蓋，這時也適合補上 結構化資料 Schema 標記 讓搜尋引擎更明確讀懂頁面。過度詞降噪則是把重複出現的詞改寫或拆分敘事，讓關鍵字密度回落到競品區間，順手檢查 SEO Title Tag 與 Open Graph 社群分享標籤 是否同步更新。

修改完畢，透過 Search Console 的 網址檢查工具 主動重新提交 索引，並在接下來兩週觀察流量變化。若流量不升反降，可參考 網站流量下滑的找回方法 逐項排查。如果你的站有 XML Sitemap、robots.txt、JavaScript SEO 相關的技術債，這屬於 技術性 SEO 的範疇，補詞前先確認 爬取預算 沒被吃掉，否則改了也爬不到。差別分析能告訴你「你少了什麼、多了什麼」，但要不要補、怎麼補、補多少，靠的是編輯判斷，把它當 年度內容更新 的例行體檢，而不是衝排名的捷徑。

缺詞不等於一定要補：先過三道編輯關卡

拿到缺詞清單之後，最忌諱全單照收硬塞進文章。每一筆缺詞上線前，過三道編輯關卡可以省下大量返工。第一道是「語意一致性」：這個詞放進你的段落，會不會與你已經寫過的論點打架？例如你的文章主張某方法不適合新手，卻硬補進一段新手教學用語，讀起來會自相矛盾。第二道是「讀者真實需求」：這個詞是讀者真的會用來描述這個主題，還是只是某篇競品為了湊篇幅而堆砌的？後者補了等於把競品的水分也繼承過來。第三道是「補進去之後是否自然」：硬插一個從沒在上下文出現過的詞，讀者一眼就看出來是為了 SEO 而寫，反而傷害 E-E-A-T 講求的內容可信度。三道關卡都過的缺詞，才值得動筆補；過不了的，記下原因並跳過，這比無差別補詞更有效率。

2026 年學 TF-IDF 的判斷框架

在 LLM 與向量檢索時代，TF-IDF 仍值得投入時間，但用途要重新定位。它的正確位置是理解現代搜尋的入門地基，兼作最便宜的可解釋內容診斷工具，並非排名武器。它和 SEM 搜尋引擎行銷 是互補關係：一邊用免費的統計方法顧好自然搜尋的語意，一邊用付費廣告搶即時曝光。如果連詞頻與稀有度都掌握不了，BM25 與向量檢索的原理會更難看懂。

作為地基，它的重要性比想像中高。BM25 的 TF 飽和、IDF、文件長度校正都是 TF-IDF 的延伸；向量檢索的混合排序也常回掛 BM25 粗排。所以要讀懂 Google AI Overviews 背後的 AI Overviews 對 SEO 的影響、Google AI Mode、查詢擴展 Query Fan-Out 這些新聞背後的檢索機制，TF-IDF 是最起點的常識。

你想做的事	TF-IDF 還適用嗎	更合適的選擇
語意補洞、缺詞健檢	仍然好用	TF-IDF 差距分析、Surfer Content Gap
理解現代搜尋原理	必學的地基	TF-IDF → BM25 → 向量檢索
自動化大規模排名預測	已不夠用	機器學習排序模型（LTR）
品牌要成為被推薦的答案	僅供參考	Entity SEO、成為被推薦的答案

作為診斷工具，它的優勢是免費、可解釋、不依賴付費 API，對預算有限的小型站點或個人創作者尤其友善。在 GEO、AEO、AXO 這些新名詞滿天飛的當下，想搞懂 AEO 答案引擎優化 怎麼運作、或 AI 搜尋時代的 SEO 整體怎麼佈局，TF-IDF 都是最快上手的底層概念。不該期待的是把 TF-IDF 分數衝高就排上去，現代排序看的是整體品質、E-E-A-T 與使用者滿意度。

定位一句話講完：TF-IDF 是診斷工具，不參與排名決策。做的是要被 Google AI 引用的內容，可進一步參考 AI Grounding 的 SEO 策略，TF-IDF 能幫你把語意覆蓋補齊；做的是 資訊增益 那種贏過競爭對手的原創增量，它就只是起點，真正的功課在觀點與資料。

判斷框架其實很簡單。要做語意補洞或缺詞健檢，TF-IDF 仍然好用；要做自動化大規模排名預測，早該換成機器學習排序模型。回顧一下整篇的核心：TF-IDF 從來不是 Google 的直接排名因子，真正參與排序的是它的後代 BM25 加上稠密語意向量的混合。理解了這層關係，你就不會被任何把 TF-IDF 包裝成排名魔法的說法騙到。

TF-IDF 差距分析最常踩到的五個誤區

理論懂了、流程也走過一遍，真正上線時還是會卡在幾個反覆出現的坑。操作 content gap 報表時最容易把一張本來有用的清單變成廢紙的原因，集中在五個反覆出現的誤區，每個都附上判斷方法與修正方向。

誤區一：把缺詞清單當成排名保證。缺詞補齊只提升語意覆蓋度，排名還取決於外部連結、使用者行為與整體內容深度。把補完缺詞當成衝排名的唯一動作，常常補完之後發現排名沒動，就誤以為 TF-IDF 失靈。判斷方法是反問自己：這次改動除了補詞，有沒有同時補強論點、案例或資料？如果答案是否定的，排名沒動是合理結果，問題出在期待，不在工具。

誤區二：語料庫用錯母體。拿全網文章或維基百科整庫當母體算 IDF，算出來的缺詞會與你真正競爭的 SERP 脫節。判斷方法很直接：檢查你的語料庫來源清單，是否每一篇都是你目標關鍵字 SERP 前 10 到 20 名的頁面。只要混進一篇不相關的內容，IDF 基準就會偏移。修正方式是回到無痕模式重抓一次 SERP，把語料庫收斂回「你真正要打的那一群頁面」。

誤區三：忽略中文斷詞品質。中文與英文不同，詞與詞之間沒有空白，斷詞品質直接決定 TF-IDF 算出來的詞邊界對不對。jieba 對常見詞表現穩定，但遇到專有名詞、產業術語、新興詞彙時，可能把一個詞切成兩半，或把兩個詞黏成一團。判斷方法是抽幾個高權重詞出來人工檢查，看斷詞結果是否符合直覺。修正方式是為你的主題維護一份自訂詞典，把領域專有名詞餵進斷詞器，這一步做完，缺詞清單的可用度通常會明顯提升。

誤區四：只看缺詞，漏掉過度詞。盯著缺詞清單補，很容易忘掉比值高於 2 的過度詞同樣要處理。過度詞代表你在某個詞上重複得太明顯，有 關鍵字填塞 的風險，也可能讓 網站跳出率 上升。判斷方法是把報表同時按比值由高到低排序，前段高於 2 的詞逐一檢視是否能在不改變語意的情況下改寫或刪減。修正過度詞的成本往往比補缺詞低，因為你只是把同一個意思換個說法。

誤區五：補完就不管後續監控。補詞是輸入，排名與流量的變化是輸出，中間隔著索引更新、爬取排程與競品異動。判斷方法是設定一個明確的觀察窗，例如透過 Search Console 追蹤補詞前後兩到四週的曝光、點擊與平均排名。修正方向是建立一份「補詞日期、補了哪些詞、觀察窗數據」的對照紀錄，長期累積下來，你會知道哪一類補詞對你的站特別有效，哪一類只是心安。

不同網站規模該怎麼用 TF-IDF：規模化決策矩陣

同一套差距分析，套用在 20 篇的小站與 2 萬篇的大站，操作節奏完全不同。把網站規模與資源當成兩個軸，可以畫出一個決策矩陣，幫你判斷該投入多少心力、用什麼工具、多久跑一次。這個矩陣不依賴任何外部資料，純粹是編輯觀點的資源配置建議。

站點類型	建議工具	分析頻率	優先處理的頁面
個人部落格、新站	WordPress 外掛的內容分析欄位、免費 SERP 抓取	每篇上線前各跑一次	流量前 5 名頁面與核心支柱頁
中型內容站（百到千篇）	Surfer 或 Ryte 的 content gap 報表	每季全面掃一次	排名在第 5 到 15 名、最接近前段的頁面
大型站點（萬篇以上）	scikit-learn 腳本批次處理、搭配內部資料庫	每月自動化掃描分類	高商業價值分類頁與既有流量頁
電商商品頁	結構化欄位批次分析、alt 與規格欄位優先	配合商品上下架週期	主力商品與季節促銷分類頁

矩陣背後的邏輯是資源效率。小站頁面少，每篇都值得手動健檢，工具成本要壓到最低，這時 WordPress 外掛的內容分析欄位已經夠用，不必上付費報表。中型站進入「無法逐篇照顧」的規模，重心要放在最接近前段的頁面，因為它們距離首頁最近，補詞的邊際效益最高。大型站點必須自動化，否則人工根本跑不完，scikit-learn 腳本的好處是可以接上你的內部資料庫，把整個分類一次掃完。電商商品頁是特例，因為商品頁的正文通常很短，真正能放缺詞的位置是規格欄位、alt 文字與結構化資料，操作重點與部落格文章完全不同。

這個矩陣也解釋了為什麼很多人覺得 content gap 工具「好像有用又好像沒用」。把工具套用在錯誤的規模與錯誤的頁面類型上，是常見的浪費。新站用大型站的批次腳本，會被設定成本吃掉；大型站用單篇外掛逐篇點，永遠跑不完。先確認你在矩陣裡的位置，再挑工具與頻率，投資報酬才會浮現。

把矩陣落到一個具體情境會更清楚。以一個中型內容站為例，這類站常見的狀況是總篇數落在幾百到一千出頭，多數頁面卡在 SERP 第 8 到 15 名之間、距離首頁只差一兩個位置。依這類站的典型表現，跑一次 content gap 報表，缺詞清單通常會跑出約 30 到 60 筆，真正通過前面三道編輯關卡、值得動筆補的，幅度大約落在 8 到 15 筆之間；同時比值高於 2 的過度詞通常約有 3 到 6 筆，多半集中在品牌名稱與主打服務詞。常見的狀況是，補完這一批缺詞後兩到四週，約六到七成的頁面曝光會有小幅上升（幅度常落在個位數百分比到約 15% 之間），但能直接推進排名名次的只有其中一小部分，這也回到前面強調的：補詞提升的是語意覆蓋度，不是排名保證。這裡有一個必須誠實說明的失敗模式，當競品在觀察窗內同步更新內容、或 SERP 結構洗牌（例如出現新的聚合頁、論壇頁佔位），缺詞清單本身會跟著變動，補詞前後的對照就失去乾淨的基準，這時排名沒動通常可歸因於變數太多、無法單獨衡量補詞的效果。給決策的判斷角度是，把差距分析定位成例行體檢，先別期待補詞能直接換來名次，把資源優先投在排名第 5 到 15 名、距離前段最近的頁面上，因為它們距離首頁最近，補詞的邊際效益最有可能兌現成實際流量。

常見問題 FAQ

TF-IDF 的公式怎麼計算？

先把詞頻 TF 算出來（出現次數或正規化後的比例），再算逆文件頻率 IDF = log(1 + N / (1 + n_t))，其中 N 是語料庫總文件數、n_t 是含詞文件數。最後兩者相乘就是 TF-IDF 分數。分子分母加 1 是平滑，避免除以零。

TF-IDF 是 Google 的直接排名因子嗎？

不是。Google 排名評估的是整體內容品質、E-E-A-T 與使用者滿意度，TF-IDF 不在其中。現代搜尋用的是它的後代 BM25 加上稠密語意向量的混合排序。TF-IDF 在 SEO 的價值是當內容健檢與語意補洞工具，不是排名保證。

TF-IDF 和 BM25 有什麼差異？

BM25 是 TF-IDF 的升級版，繼承了詞頻與稀有度的思想，再追加文件長度歸一化與詞頻飽和兩個校正參數 k1、b，解決了長文灌高分數的問題。BM25 是 Lucene、Elasticsearch 的預設評分函數，是現代搜尋引擎第一階粗排的標準做法。

哪些 SEO 工具有 TF-IDF 報表？

截至 2026 年中，Surfer SEO、Ryte、SEMrush 都提供 TF-IDF 缺詞清單功能，通常以 content gap 報表的形式呈現。功能名稱可能隨版本更新變動，實際介面以各工具官網為準。WordPress 站若想用外掛就近檢視，可參考 Rank Math Pro 的內容分析功能。想完全客製則可用 scikit-learn 的 TfidfVectorizer 自行寫腳本。

TF-IDF 缺詞清單上的每一筆都要補嗎？

不必全補。每一筆缺詞上線前先過三道關卡：與文章既有論點是否語意一致、是否符合讀者真實需求、補進去是否自然。三道都過才動筆，過不了的跳過。無差別補詞等於把競品的水分也繼承過來，反而傷害內容可信度。