核心思想是計算文檔中壹個詞的標準化TF值，然後計算該詞在整個語料庫中的標準化IDF值。這裏的標準化是指對原有的計算公式做了壹些改動，以達到更好的測量結果，避免壹些極端情況的發生。這個字的TF-IDF值等於TF*IDF。計算這個文檔中所有單詞的TF-IDF值，並從高到低排序，這樣我們就可以提取出我們想要的盡可能多的關鍵詞。
TF-IDF的優點是速度快，結果相對符合實際情況。缺點是當文檔中兩個單詞的IDF值相同時，出現頻率較低的單詞可能更重要。而且TF-IDF算法不能反映我的詞的位置信息，把出現在前面位置的詞和出現在後面位置的詞視為同等重要，這是不正確的。現有的解決方案是對第壹段和每段的第壹句給予更大的權重。
應用2:計算文本相似度
我明白如何計算每個單詞的TF-IDF值。那麽計算文本相似度就很容易了。我們已經計算了文章中每個單詞的TF-IDF值，因此我們可以將文章表征為該單詞的TF-IDF數值向量。要計算兩個文本的相似度，只需計算余弦即可。余弦值越大，兩個文本越相似。
應用3:自動摘要
2007年，美國學者的論文
以第壹張圖為例，其中cluster-* *有七個詞，其中四個是關鍵詞。所以它的重要性得分等於(4*4)/7=2.3。然後，找出聚類重要性得分最高的句子(比如5個句子)放在壹起，形成這篇文章的自動摘要。看見
Summarizer(originalText，maxSummarySize):
//?計算文本的詞頻並生成列表，如[(10，' the ')，？(3，“語言”)，？(8，“代碼”)...]
詞頻？=?getWordCounts(originalText)
//?過濾掉停用詞，列表就變成[(3，？語言’)，？(8,?代碼’)...]
contentWordFrequences？=?filtStopWords(詞頻)
//?根據詞頻大小，列表為[‘碼’，？“語言”...]
contentWordsSortbyFreq？=?sortByFreqThenDropFreq(內容詞頻率)
//?把文章分成句子
句子？=?獲取句子(原始文本)
//?選擇關鍵字首次出現的句子。
setSummarySentences？=?{}
foreach？詞？在？contentWordsSortbyFreq:
firstMatchingSentence？=?搜索(句子，？word)
setsummarysentences . add(firstMatchingSentence)
如果？setSummarySentences.size()？=?maxSummarySize:
破裂
//?按照出現的順序對所選的句子進行總結。
總結？=?""
foreach？句子？在？句子:
如果？句子？在？setSummarySentences:
總結？=?總結？+?"?"？+?句子
回歸？類似的summary的算法已經寫成了工具，比如基於Java的Classifier4J庫的SimpleSummariser模塊，基於C語言的OTS庫，基於classifier4J的C#實現和python實現。