优化文本搜索算法：词频和 TF-IDF 检索

这段代码展示了使用词频和 TF-IDF 两种算法进行文本搜索的实现。以下是一些优化建议，旨在提高搜索效率和准确性。

1. 缓存重复计算的结果，例如 TF-IDF 算法中的 'vectorizer.fit_transform(corpus)' 可以只计算一次，然后缓存起来供后续查询使用。
2. 使用更高效的数据结构和算法，例如使用集合(set)来检查关键词是否存在于文本中，使用字典(dict)来存储词频统计结果。
3. 合并相似的代码段，例如词频检索和 TF-IDF 检索中的部分代码可以抽象出来成为一个单独的函数，避免重复编写代码。
4. 使用并行计算来加速检索过程，例如对于 TF-IDF 算法中的每个文档，可以使用并行计算来同时计算多个查询的结果。
5. 优化查询语句，例如使用模糊搜索(fuzzy search)来匹配关键词，或者使用更高级的查询语言来支持更复杂的查询需求。

通过以上优化，可以显著提升文本搜索的效率和准确性，从而提供更优质的用户体验。