TF-IDF（Term Frequency-Inverse Document Frequency，詞頻-逆文件頻率）是一種源自資訊檢索（Information Retrieval）領域的統計方法，用來衡量一個詞語對於某篇文件的重要程度。在SEO領域，這個概念常被內容優化工具（如Surfer SEO、Clearscope）採用，協助分析一篇文章相比同主題的其他文章，欠缺哪些語意相關詞彙。
拆解TF與IDF兩部分
詞頻（Term Frequency，TF）
指某個詞語在一篇文件之中出現的頻率。某字越常出現，TF值越高，但單靠TF並不足夠——因為像「的」「一個」這類常用字也會重複出現，但它們並不具備主題辨識度。
逆文件頻率（Inverse Document Frequency，IDF）
衡量該詞語在整個文件集（例如同主題的所有競爭對手文章）之中有多罕見——越少文件出現的詞語，IDF值越高，代表該詞語對於分辨主題內容越有辨識度。
TF-IDF分數＝TF×IDF。簡單來說，一個詞語如果在某篇文章中出現頻密，但在其他同主題文章中比較罕見，它的TF-IDF分數就會偏高，代表這個詞語可能是該主題的重要概念。
TF-IDF與關鍵字堆砌的分別
不少人誤以為TF-IDF就是「多寫幾次關鍵字」，其實完全相反。TF-IDF真正的價值在於幫助發現與主題相關的語意詞彙有多廣，而不是只看主要關鍵字重複了幾多次。關鍵字堆砌是機械式地重複同一個詞語，而TF-IDF著重的是內容廣度與語意覆蓋率，兩者方向完全不同。
在內容撰寫時如何實際應用TF-IDF概念
- 分析同一關鍵字的前十名競爭對手文章，觀察它們常用哪些相關詞彙
- 使用內容優化工具（如Surfer SEO、Clearscope）自動生成建議詞彙清單
- 將相關詞彙自然融入內容，避免機械式地硬塞
- 專注涵蓋主題的不同面向，而不是重複主要關鍵字
TF-IDF雖然實用，但它本質上只是統計方法，並不理解詞語背後的語意或上下文關係——例如它無法分辨「蘋果」是指水果還是品牌。近年不少內容優化工具已經結合自然語言處理（NLP）技術與TF-IDF一併使用，令詞彙建議更貼近實際語意，而不單純依賴詞頻統計。理解這個局限，有助避免過度迷信工具給出的詞彙清單，仍須以人類編輯的判斷為主。
TF-IDF雖然實用，但它本質上只是統計方法，並不理解詞語背後的語意或上下文關係——例如它無法分辨「苹果」是指水果還是品牌。近年不少內容優化工具已經結合自然語言處理（NLP）技術與TF-IDF一併使用，令詞彙建議更貼近實際語意，而不單純依賴詞頻統計。理解這個局限，有助避免過度迷信工具給出的詞彙清單，仍須以人類編輯的判斷為主。
TF-IDF與同義詞的處理
另一個常見誤解是，TF-IDF只會計算完全相同的字詞，未必能夠辨識同義詞或相關概念（例如「反向連結」與「backlink」）。因此在實際應用時，除了參考工具生成的詞彙清單，亦建議人手檢視清單中的詞彙是否涵蓋同一概念的不同表達方式，確保內容在語意層面而非單純字面層面達到完整覆蓋。