目的：希望自己能够通过数学，财务，计算机技书，能看到不一样的世界。此次为第一篇，以后会不定期带来通过数学分析来建模，看到不一样的世界。我本人是对计算机，税务相当感兴趣的人，所以的分析手段都是通过看论文得到的，如果你有什么很好的建议或者想做这个，可以联系我，qq：1421074836
1.准备工作
1.1 数据准备
从国家税务总局法规库收集到法规：4827
1.2 算法介绍
算法的选取直接造成结果的不一样，以及细微的差距。首先我们先了解二种算法：TFIDF与textrank，我们并用这二种算法在提取关键字的效果进行分析
1.2.1 TF-IDF数学表达
TF=（词语在文章中出现的此处）/(文章总词数)
IDF=log（词料库文档总数）/(包含该次的文档数+1)
TF-IDF=TF*IDF（最终值）
1.2.2 textrank数学表达
TextRank用于关键词提取的算法如下：
1)把给定的文本T按照完整句子进行分割，即
2)对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词、动词、形容词，即，其中 ti,j 是保留后的候选关键词。
3)构建候选关键词图G = (V,E)，其中V为节点集，由（2）生成的候选关键词组成，然后采用共现关系（co-occurrence）构造任两点之间的边，两个节点之间存在边仅当它们对应的词汇在长度为K的窗口中共现，K表示窗口大小，即最多共现K个单词。
4)根据上面公式，迭代传播各节点的权重，直至收敛。
5)对节点权重进行倒序排序，从而得到最重要的T个单词，作为候选关键词。
6)由5得到最重要的T个单词，在原始文本中进行标记，若形成相邻词组，则组合成多词关键词。
2. 具体实现
2.1 对第一篇法规进行提取关键字进行分析
约定规则：对同一法规取十个关键字，我习惯叫做价值保留三位
法规名称：中国银行保险监督管理委员会 中华人民共和国财政部 中华人民共和国人力资源和社会保障部 国家税务总局关于印发《个人税收递延型商业养老保险产品开发指引》的通知
textrank结果：产品 1.0，保险公司 0.919，参保 0.723，养老保险 0.56，领取 0.5075562509675344，保险 0.507，收取 0.400，账户 0.388，机能 0.368，收益 0.358
TF-IDF结果：参保 0.264，保险公司 0.237，养老 0.222，领取 0.216，产品 0.194，养老保险 0.161，给付 0.130，税延 0.1188，递延 0.1138，保险合同 0.104
从对一篇的法规分析我们可以得到 TF-IDF在一定的层次上优于TextRank，
2.0 对所以法规进行提取关键字
约定规则：每篇文章只提取价值最高的前十个关键字，统计所有关键字提取前十个
2.1运用TF-IDF：
统计结果为：企业, 1495，国家税务总局, 1060，所得税, 915，增值税, 865，税务机关, 720，纳税, 540，纳税人, 536，通知, 418，出口, 404，营业税, 369
生成的饼状图为：
2.2运用textrank得到的关键字饼状图：
统计结果：企业, 2260，所得税, 916，规定, 900，增值税, 893，有关, 767，通知, 636，纳税, 597，税务机关, 568，问题, 521，废止, 513
3. 结论
二种算法都不是很完善当都从侧面反映了一下问题，如果你对税务法规感兴趣的话，你可以发现问题所在。如果你对这个这些感兴趣的话-可以去应用市场下载下《丁香税通》我独自开发的一个小的app，我会第一时间在那个app里面发布最新的分析结果。
4.最后
所有的分析结果都是仁者见仁智者见智，所以不必纠结结果，应该关注数据分析给我们带来的新理解，新天地。
