词袋模型（Bag of Words, 简称 BoW）
词袋模型是一种常见的文本表示方法，主要用于自然语言处理（NLP）和信息检索领域。它将文本数据转换为特征向量，忽略语序，仅考虑词的出现与否或出现频率。
1. 基本思想
- 把文本看作一个词的集合（袋子），忽略语序和句法结构。
- 对文本中的所有独立词汇建立一个词汇表（Vocabulary）。
- 每个文本用一个固定大小的向量表示，向量的每一维对应词汇表中的一个词。
- 向量值可以是：
- 词频（Term Frequency, TF）。
- 二进制值（出现记为 1，不出现记为 0）。
- 权重（如 TF-IDF）。
2. 特征表示步骤
(1) 词汇提取
- 文本预处理：
- 分词：将句子切分成单独的词。
- 去停用词：去掉“的”、“是”、“了”等无意义的高频词。
- 小写化：统一词的大小写。
- 去除标点符号。
- 建立词汇表：
- 根据所有文本中出现的词，生成一个词汇表。
(2) 文本向量化
- 对于每个文本：
- 按词汇表的顺序统计每个词的出现次数。
- 将统计结果填入对应的特征向量位置。
3. 示例
示例文本：
文档1: 我喜欢机器学习。
文档2: 我喜欢深度学习和机器学习。
(1) 建立词汇表
所有词汇（去重后）：['我', '喜欢', '机器', '学习', '深度', '和']
(2) 向量化
- 文档1的向量表示：
[1, 1, 1, 1, 0, 0] - 文档2的向量表示：
[1, 1, 1, 1, 1, 1]
4. Python 示例
(1) 使用 Scikit-learn
from sklearn.feature_extraction.text import CountVectorizer# 示例数据
documents = ["我喜欢机器学习","我喜欢深度学习和机器学习"
]# 创建词袋模型
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(documents)# 输出特征词汇表
print("词汇表:", vectorizer.get_feature_names_out())# 输出向量化表示
print("向量化表示:\n", X.toarray())
输出结果
词汇表: ['和' '喜欢' '学习' '机器' '深度' '我']
向量化表示:[[0 1 1 1 0 1][1 1 1 1 1 1]]
(2) 使用 TF-IDF 权重
from sklearn.feature_extraction.text import TfidfVectorizer# 示例数据
documents = ["我喜欢机器学习","我喜欢深度学习和机器学习"
]# 创建 TF-IDF 模型
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(documents)# 输出 TF-IDF 特征
print("TF-IDF 向量化表示:\n", X.toarray())
输出结果
TF-IDF 向量化表示:[[1. 0.][0. 1.]]5. 优点
- 简单易用：实现和计算简单。
- 通用性强：适用于多种文本分析任务。
- 高效：适合小规模文本数据。
6. 缺点
- 忽略词序：丢失了上下文信息，无法捕捉词间的语义关系。
- 维度较高：如果词汇表很大，特征向量的维度会非常高。
- 稀疏性问题：大多数特征值为零，导致稀疏矩阵，影响计算效率。
- 不考虑词重要性：词频高的常用词（如“的”、“是”）可能掩盖关键词的作用。
7. 改进方法
- TF-IDF：引入词的重要性，降低高频词的权重。
- Word2Vec / GloVe：通过分布式表示，将词转化为低维稠密向量，保留语义关系。
- N-grams：考虑词组（如“机器学习”）而非单个词。
8. 应用场景
- 文本分类：如垃圾邮件检测、情感分析。
- 信息检索：如搜索引擎中的文档相似性计算。
- 文档聚类：将相似的文本分为一类。
词袋模型是文本表示的重要基础，它虽然简单但功能强大，在许多任务中依然有效。