Il TFIDF

Introduzione all'Elaborazione del Linguaggio Naturale in R

Kasey Jones

Research Data Scientist

Insidie del bag-of-words

t1 <- "My name is John. My best friend is Joe. We like tacos."
t2 <- "Two common best friend names are John and Joe."
t3 <- "Tacos are my favorite food. I eat them with my buddy Joe."

clean_t1 <- "john friend joe tacos"
clean_t2 <- "common friend john joe names"
clean_t3 <- "tacos favorite food eat buddy joe"

Parole in comune

clean_t1 <- "john friend joe tacos"
clean_t2 <- "common friend john joe names"
clean_t3 <- "tacos favorite food eat buddy joe"

Confronta t1 e t2

3/4 parole di t1 sono in t2
3/5 parole di t2 sono in t1

Confronta t1 e t3

2/4 parole di t1 sono in t3
2/6 parole di t3 sono in t1

I tacos contano

t1 <- "My name is John. My best friend is Joe. We like tacos."
t2 <- "Two common best friend names are John and Joe."
t3 <- "Tacos are my favorite food. I eat them with my friend Joe."

Parole in ogni testo:

John: t1, t2
Joe: t1, t2, t3
Tacos: t1, t3

TFIDF

clean_t1 <- "john friend joe tacos"
clean_t2 <- "common friend john joe names"
clean_t3 <- "tacos favorite food eat buddy joe"

TF: Term Frequency
- Quota di parole in un testo che è quel termine
- john è 1/4 parole in clean_t1, tf = .25
IDF: Inverse Document Frequency
- Peso di quanto un termine è comune tra tutti i documenti
- john è in 3/3 documenti, IDF = 0

Equazione IDF

$ IDF = log \frac{N}{n_{t}} $

N: numero totale di documenti nel corpus
$n_{t}$: numero di documenti in cui compare il termine

Esempio:

IDF di Taco: $log (\frac{3}{2}) = .405$
IDF di Buddy: $log (\frac{3}{1}) = 1.10$
IDF di John: $log (\frac{3}{3}) = 0$

TF + IDF

clean_t1 <- "john friend joe tacos"
clean_t2 <- "common friend john joe names"
clean_t3 <- "tacos favorite food eat buddy joe"

TFIDF per "tacos":

clean_t1: TF * IDF = (1/4) * (.405) = 0.101
clean_t2: TF * IDF = (0/4) * (.405) = 0
clean_t3: TF * IDF = (1/6) * (.405) = 0.068

Calcolare la matrice TFIDF

# Create a data.frame
df <- data.frame('text' = c(t1, t2, t3), 'ID' = c(1, 2, 3))

df %>%
  unnest_tokens(output = "word", token = "words", input = text) %>%
  anti_join(stop_words) %>%
  count(ID, word, sort = TRUE) %>%
  bind_tf_idf(word, ID, n)

word: la colonna con i termini
ID: la colonna con gli ID dei documenti
n: conteggio parole prodotto da count()

Output di bind_tf_idf

# A tibble: 15 x 6
       X word         n    tf   idf tf_idf
   <dbl> <chr>    <int> <dbl> <dbl>  <dbl>
 1     1 friend       1 0.25  0.405 0.101 
 2     1 joe          1 0.25  0     0     
 3     1 john         1 0.25  0.405 0.101 
 4     1 tacos        1 0.25  0.405 0.101 
 5     2 common       1 0.2   1.10  0.220 
 6     2 friend       1 0.2   0.405 0.0811
 ...

Esercizio TFIDF

Introduzione all'Elaborazione del Linguaggio Naturale in R