下载一个叫unlocker的软件然后安装。

鎖（安装完那个软件后会在右键菜单上生成一个unlocker的菜单项）然后就可以把病毒文件删除了。再进入c:\WINDOWS\system32\drivers 里找到gtftix66.sys文件用同样的方法先解锁后删除然后在运行里输入REGEDIT打开注册表编辑器，分别在

下找到以病毒文件名命名的项并删除(这是删除病毒文件的注册项）

一般的话到此就可以結束了

如果还是出现的话你可以在注册表的这几个地方再查看一下

字词的重要性随着它在文件里出現的次数成正比添加但同一时候会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜寻引擎应用作为文件与用户查询の间相关程度的度量或评级。

除了TF-IDF以外因特网上的搜寻引擎还会使用基于连结分析的评级方法，以确定文件在搜寻结果中出现的顺序

差别于IDF），以防止它偏向长的文件（同一个词语在长文件中可能会比短文件有更高的词频。而无论该词语重要与否

　　逆向文件频率 (inverse document frequency, IDF) 昰一个词语普遍重要性的度量。某一特定词语的IDF能够由总文件数目除以包括该词语之文件的数目，再将得到的商取对数得到

　　某一特定文件内的高词语频率。以及该词语在整个文件集合中的低文件频率能够产生出高权重的TF-IDF。因此TF-IDF倾向于过滤掉常见的词语，保留重偠的词语

      TFIDF的主要思想是：假设某个词或短语在一篇文章中出现的频率TF高，而且在其它文章中非常少出现则觉得此词或者短语具有非常恏的类别区分能力。适合用来分类TFIDF实际上是：TF * IDF，TF词频(Term

TF表示词条在文档d中出现的频率（还有一说：TF词频(Term Frequency)指的是某一个给定的词语在该文件裏出现的次数）IDF的主要思想是：假设包括词条t的文档越少。也就是n越小IDF越大。则说明词条t具有非常好的类别区分能力假设某一类文檔C中包括词条t的文档数为m，而其他类包括t的文档总数为k显然全部包括t的文档数n=m+k，当m大的时候n也大，依照IDF公式得到的IDF的值会小就说明該词条t类别区分能力不强。（还有一说：IDF反文档频率(Inverse Document Frequency)是指果包括词条的文档越少IDF越大，则说明词条具有非常好的类别区分能力）可是實际上，假设一个词条在一个类的文档中频繁出现则说明该词条可以非常好代表这个类的文本的特征，这种词条应该给它们赋予较高的權重并选来作为该类文本的特征词以差别与其他类文档。这就是IDF的不足之处.

这个数字是对词数(term count)的归一化以防止它偏向长的文件。（同┅个词语在长文件中可能会比短文件有更高的词数而无论该词语重要与否。）对于在某一特定文件中的词语 ti 来说它的重要性可表示为：

      某一特定文件内的高词语频率。以及该词语在整个文件集合中的低文件频率能够产生出高权重的TF-IDF。

因此TF-IDF倾向于过滤掉常见的词语，保留重要的词语

一：有非常多不同的数学公式能够用来计算TF-IDF。

这边的样例以上述的数学公式来计算

词频 (TF) 是一词语出现的次数除以该文件的总词语数。假如一篇文件的总词语数是100个而词语“母牛”出现了3次，那“母牛”一词在该文件里的词频就是3/100=parator;