Costruire vettori di documenti tf-idf

Feature Engineering per NLP in Python

Rounak Banik

Data Scientist

Modellazione n-gram

Peso della dimensione dipende dalla frequenza della parola corrispondente.
- Il documento contiene la parola human in cinque punti.
- La dimensione corrispondente a human ha peso 5.

Motivazione

Alcune parole compaiono molto spesso in tutti i documenti
Corpus di documenti sull'universo
- Un documento ha jupiter e universe che compaiono 20 volte ciascuna.
- jupiter è rara negli altri documenti. universe è comune.
- Dai più peso a jupiter per la sua esclusività.

Applicazioni

Riconoscere automaticamente le stopword
Ricerca
Sistemi di raccomandazione
Migliori prestazioni nel modeling predittivo in alcuni casi

Term frequency-inverse document frequency

Proporzionale alla frequenza del termine
Funzione inversa del numero di documenti in cui compare

Formula matematica

$$\red{w_{i,j}} = tf_{i,j} \cdot \log\left(\frac{N}{df_{i}}\right) $$

$$\red{w_{i,j}} \rightarrow \text{peso del termine } i \text{ nel documento } j$$

Formula matematica

$$w_{i,j} = \red{tf_{i,j}} \cdot \log\left(\frac{N}{df_{i}}\right) $$

$$w_{i,j} \rightarrow \text{peso del termine } i \text{ nel documento } j$$

$$\red{tf_{i,j}} \rightarrow \text{frequenza del termine } i \text{ nel documento } j $$

Formula matematica

$$w_{i,j} = tf_{i,j} \cdot \red{\log\left(\frac{N}{df_{i}}\right)} $$

$$w_{i,j} \rightarrow \text{peso del termine } i \text{ nel documento } j$$

$$tf_{i,j} \rightarrow \text{frequenza del termine } i \text{ nel documento } j $$

$$\red{N} \rightarrow \text{numero di documenti nel corpus} $$

$$\red{df_{i}} \rightarrow \text{numero di documenti che contengono il termine } i$$

Formula matematica

$$w_{i,j} = tf_{i,j} \cdot \log\left(\frac{N}{df_{i}}\right) $$

$$w_{i,j} \rightarrow \text{peso del termine } i \text{ nel documento } j$$

$$tf_{i,j} \rightarrow term \; frequency \; of \; term \; i \; in \; document \; j $$

$$N \rightarrow number \; of \; documents \; in \; the \; corpus $$

$$df_{i} \rightarrow number \; of \; documents \; cotaining \; term \; i$$

Esempio:

$\red{w_{library, document}} = 5 \cdot log(\frac{20}{8}) \approx 2 $

tf-idf con scikit-learn

# Import TfidfVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer

# Create TfidfVectorizer object
vectorizer = TfidfVectorizer()

# Generate matrix of word vectors
tfidf_matrix = vectorizer.fit_transform(corpus)
print(tfidf_matrix.toarray())

[[0.         0.         0.         0.         0.25434658 0.33443519
  0.33443519 0.         0.25434658 0.         0.25434658 0.
  0.76303975]
 [0.         0.46735098 0.         0.46735098 0.         0.
  0.         0.46735098 0.         0.46735098 0.35543247 0.
  0.        ]
...

Esercitiamoci!

Feature Engineering per NLP in Python