词频（Term Frequency，TF） = (某个词w在di 篇文章中出现的次数) /(di 篇文章的总词数)，值域范围[0,1)。例如，假设文档di 由1000个词组成，其中词w共出现了3次，那么这个词的词频就等于3/1000。逆向文档频率 （Inverse Document Frequency，IDF） = log(总的文档数N / (1+出现词w的文档数n)) 。 IDF其实衡量了词w在每篇文档中提供的信息量。即IDF可以反映w的独特性 。 TF-IDF实际上是TF*IDF，可以得到词的重要性。可以看出TF-IDF是一种统计方法，用以评估某一字词对于一个文件集或一个语料库的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

正确答案是A: TF×IDF值越大，则该词成为关键词的概率就越大。

专业分析：

1. **TF（词频）**：表示某个词在一个文档中出现的频率。TF越高，说明该词在文档中出现的次数越多。

2. **IDF（逆文本频率指数）**：表示某个词在所有文档中出现的稀有程度。IDF越高，说明该词在所有文档中出现的次数越少，即该词在整个文档集合中越稀有。

3. **TF-IDF**：是TF和IDF的乘积，用于衡量一个词在一个文档中的重要性。公式为：
\[
\text{TF-IDF}(t, d) = \text{TF}(t, d) \times \text{IDF}(t)
\]
其中，\( t \) 表示词，\( d \) 表示文档。

4. **分析**：
- **A选项**：TF×IDF值越大，则该词成为关键词的概率就越大。这个说法是正确的。因为当一个词在当前文档中频繁出现（TF高），且在其他文档中较少出现（IDF高），这个词很可能是当前文档的关键词。
- **B选项**：TF/IDF值越大，则该词成为关键词的概率就越大。这个说法不正确，因为TF/IDF的计算方式不符合TF-IDF的定义。
- **C选项**：TF/IDF值越小，则该词成为关键词的概率就越大。这个说法同样不正确，因为TF/IDF的计算方式不符合TF-IDF的定义。
- **D选项**：TF×IDF值越大，则该词成为关键词的概率就越小。这个说法是不正确的，正好与A选项相反。

综上所述，正确答案是A。