正确答案是：A: TF * IDF

### 专业分析

TF-IDF，即Term Frequency-Inverse Document Frequency，是一种常用的文本特征提取方法，用于评估一个词语对一个文档或一个语料库的重要程度。它由两部分构成：

1. **TF (Term Frequency)**：
- 描述词语在文档中出现的频率。通常，词频 \( \text{TF}(t, d) \) 是词语 \( t \) 在文档 \( d \) 中出现的次数。公式如下：
\[
\text{TF}(t, d) = \frac{\text{词语 } t \text{ 在文档 } d \text{ 中出现的次数}}{\text{文档 } d \text{ 中的总词语数}}
\]

2. **IDF (Inverse Document Frequency)**：
- 用于降低那些在语料库中普遍出现的词语的重要性，如“的”、“是”等。IDF通过计算逆文档频率来实现这一点，公式如下：
\[
\text{IDF}(t, D) = \log \left(\frac{N}{|\{d \in D : t \in d\}|}\right)
\]
其中，\( N \) 是文档总数，\( |\{d \in D : t \in d\}| \) 是包含词语 \( t \) 的文档数量。

3. **TF-IDF Calculation**：
- 将上述两个值相乘得到TF-IDF值：
\[
\text{TF-IDF}(t, d, D) = \text{TF}(t, d) \times \text{IDF}(t, D)
\]
- 其结果是一个衡量词语在特定文档中相对重要性的重要度值。

### 应用示例

TF-IDF常用于信息检索和文本分类任务中，例如：
- 计算关键词在网页搜索中的重要性。
- 提取文档的特征以便进行分类或聚类。

通过这种方法，可以有效过滤掉一些常见但不重要的词语，从而突出关键词汇，提高文本分析的效率和准确性。