場景
用戶在進行搜索時，假設搜索出來的結果有B1,B2,B3…Bn類業務，每類業務分別有S1,S2,S3…Sn條推薦內容。在把各個業務展示給用戶時，需要把和用戶搜索關鍵詞“相關性”最高的業務放在前面。
原理
詞頻因子（Tf）
Tf計算因子代表了詞頻，即一個單詞在文檔中出現的次數。一般來說在某個文檔中反覆出現的單詞，往往能夠表徵文檔的主題信息。即Tf值越大，越能代表文檔所反映的內容，那麼應該給予這個單詞更大的權值。爲了抑制長文檔在詞頻數量上存在優勢，詞頻因子Tf的計算公式：
Tf=1+log(n)
n表示特徵單詞在該文檔中出現的次數
逆文檔詞頻（IDF）
IDF代表的是文檔集合範圍的一種全局因子。表示在文檔集合（業務）中，特徵單詞之間的相對重要性。逆文頻率因子IDF計算公式：
IDF=log(N/n)
N代表文檔集合中總共有多少個文檔
n表示特徵單詞在文檔集合中出現的文檔個數
IDF反映了一個特徵詞在整個文檔集合中的分佈情況。IDF值越低，這個詞區分不同文檔的能力越差。
Tf*IDF框架
Tf*IDF框架結合了詞頻因子和逆文檔詞頻因子的計算框架，將兩者相乘做爲特徵權值。特徵權值越大，則越可能說明詞和文檔的相關性越高。
算法
假設用戶搜索關鍵詞進行分詞後的結果爲特徵單詞w1,w2,w3…wk。對於業務Bi的Si條內容（設爲c1,c2,c3…cj），對於一條內容cu(1<=u<=j)，其中特徵單詞wv(1<=j<=k)對應的詞頻因子爲Tfv。
基於Tf*IDF框架計算出來的業務權值爲：
weight(Bi)=max(sum(Tfv*IDF))
即取業務Bi中所有內容中最大權值的當做業務的權值。
業務推薦時按照業務權值從大到小的順序推薦給用戶，這樣用戶就能最先看到和自己搜索最匹配的業務內容。