{"id":6167,"date":"2020-04-29T17:41:29","date_gmt":"2020-04-29T16:41:29","guid":{"rendered":"https:\/\/www.publisuites.com\/blog\/?p=6167"},"modified":"2026-05-12T14:01:00","modified_gmt":"2026-05-12T12:01:00","slug":"tf-idf","status":"publish","type":"post","link":"https:\/\/www.publisuites.com\/blog\/tf-idf\/","title":{"rendered":"Qu\u00e9 es el TF-IDF y c\u00f3mo mejorar la relevancia de tus textos"},"content":{"rendered":"

\u00bfAlguna vez te has planteado c\u00f3mo la tecnolog\u00eda es capaz de entender los n\u00fameros? \u00bfC\u00f3mo a partir de n\u00fameros y complejos c\u00e1lculos podemos acercar las matem\u00e1ticas a la compresi\u00f3n del lenguaje humano?<\/p>\n

Ya vimos en anteriores art\u00edculos c\u00f3mo Google relaciona las p\u00e1ginas mediante los enlaces<\/strong> y el anchor text<\/em><\/a>, c\u00f3mo calcula la fuerza de una p\u00e1gina mediante su f\u00f3rmula inicial del PageRank<\/a> (actualmente solo sirve como m\u00e9trica orientativa) o c\u00f3mo reparte esta fuerza mediante el link juice<\/em><\/a>, adem\u00e1s de c\u00f3mo enfoca los resultados para responder la intenci\u00f3n de b\u00fasqueda del usuario.<\/p>\n

En el art\u00edculo de hoy vamos a dar un paso m\u00e1s all\u00e1 para hablar de algo que antes no se hab\u00eda tocado en el blog de Publisuites. Voy a contaros c\u00f3mo Google es capaz de reconocer los textos con base en las m\u00e9tricas del TF IDF,<\/strong> algo distinto, pero que guarda relaci\u00f3n con la cl\u00e1sica densidad de keywords<\/em> que todos conocemos.<\/p>\n

\u00a1Empezamos!<\/p>\n

\u00bfQu\u00e9 es el TF IDF?<\/h2>\n

El TF IDF<\/strong> son las siglas en ingl\u00e9s de Term frequency\u2013<\/i>Inverse Document Frequency<\/i>, y traducido al espa\u00f1ol ser\u00eda la frecuencia de t\u00e9rmino\u2013frecuencia inversa de documento.<\/strong><\/p>\n

Este t\u00e9rmino hace referencia a un sistema de valoraci\u00f3n de palabras<\/strong> en funci\u00f3n de las veces que se muestran en el texto, para luego hacer un c\u00e1lculo inverso y descartar aquellas excesivamente repetidas en un conjunto de textos.<\/p>\n

Esto sirve para detectar stop words<\/em> o palabras muertas que se descartan del an\u00e1lisis y, finalmente, para relacionar qu\u00e9 documentos est\u00e1n m\u00e1s relacionados con ciertas palabras.<\/p>\n

Es importante que comprend\u00e1is que el TF IDF no es un m\u00e9trica que Google est\u00e9 utilizando<\/strong> realmente, solo es un dato orientativo que ayuda a realizar este acercamiento entre los n\u00fameros y la comprensi\u00f3n del lenguaje.<\/strong><\/p>\n

Veamos un ejemplo para entender todo esto, ya que es algo complejo.<\/p>\n

Ejemplo del TF IDF<\/h3>\n

Imaginemos que queremos tratar de mejorar la palabra clave \u00abganar dinero escribiendo un art\u00edculo\u00bb <\/strong>para la URL https:\/\/www.publisuites.com\/blog\/como-ganar-dinero-escribiendo-articulos\/<\/a>.<\/p>\n

\"calcular
https:\/\/es.wikipedia.org\/wiki\/Tf-idf – F\u00f3rmula del TF<\/em><\/figcaption><\/figure>\n
\"calcular
https:\/\/es.wikipedia.org\/wiki\/Tf-idf – F\u00f3rmula del IDF<\/em><\/figcaption><\/figure>\n

En este caso, para calcular el TF IDF<\/strong> lo que se hace es medir la frecuencia con la que aparece un t\u00e9rmino dentro del texto, para luego realizar una comparativa de este texto con un conjunto de textos.<\/p>\n

Durante este c\u00e1lculo, los t\u00e9rminos que se repiten m\u00e1s en todos los textos quedan excluidos, de tal forma que solo quedar\u00edan los t\u00e9rminos importantes.<\/strong><\/p>\n

Al realizar la comparativa mencionada anteriormente (para la keyword<\/em> \u00abganar dinero escribiendo un art\u00edculo\u00bb),<\/strong> el t\u00e9rmino \u00abun\u00bb va a ser uno de los que m\u00e1s se repita dentro de los textos, al igual que otros t\u00e9rminos tipo \u00abde\u00bb, \u00abel\u00bb, la\u00bb, \u00abuna\u00bb, etc.<\/p>\n

Con el c\u00e1lculo de frecuencia inversa del documento (IDF) se excluir\u00edan estos t\u00e9rminos definidos como palabras muertas, de tal forma que solo se mantendr\u00e1n las palabras relevantes como \u00abganar\u00bb, \u00abdinero\u00bb, \u00abescribiendo\u00bb y \u00abart\u00edculo\u00bb.<\/p>\n

Tras realizar todo este proceso, cada texto recibe un valor para la palabra clave en funci\u00f3n de la comparativa realizada y se ordenan en funci\u00f3n de la relevancia para dicho t\u00e9rmino.<\/p>\n

M\u00e1s abajo explico c\u00f3mo analizar la misma URL comentada en este ejemplo con la herramienta Seolyze.<\/p>\nQu\u00e9 es el tf idf y c\u00f3mo mejorar la relevancia de tus textos <\/a><\/span>Compartir en X<\/a><\/span>\n

C\u00f3mo usar la frecuencia de t\u00e9rmino-frecuencia inversa de documento en el SEO<\/h2>\n

El objetivo es modificar nuestro texto de tal forma que los t\u00e9rminos y sin\u00f3nimos empleados aparezcan un determinado n\u00famero de veces. Este n\u00famero determinado de veces deber\u00e1 estar entre unos m\u00e1ximos y unos m\u00ednimos que ser\u00e1n calculados a partir de la media de repeticiones de los contenidos analizados.<\/span><\/p>\n

Cuantos m\u00e1s textos sean analizados, mejor ser\u00e1 la media obtenida de los t\u00e9rminos a emplear y el n\u00famero de veces que deben mostrarse.<\/p>\n

\"tf<\/p>\n

Para ello, puedes usar programaci\u00f3n en Python<\/a> o alg\u00fan software online<\/em>, aunque solo suelen calcularlo en torno a los 10-20 primeros resultados de b\u00fasqueda de Google. Esto es un problema porque dejamos atr\u00e1s cientos de resultados que no tenemos en cuenta para calcular esta m\u00e9trica y nos dar\u00eda un mont\u00f3n de informaci\u00f3n.<\/p>\n

Algunas herramientas que puedes usar para calcular y comparar estas m\u00e9tricas son:<\/p>\n