Bag-of-Words 표현

R로 배우는 자연어 처리 입문

Kasey Jones

Research Data Scientist

이전 예시

animal_farm %>%
  unnest_tokens(output = "word", token = "words",
                input = text_column) %>%
  anti_join(stop_words) %>%
  count(word, sort = TRUE)

# A tibble: 3,611 x 2
   word         n
   <chr>    <int>
 1 animals    248
 2 farm       163
 ...

Bag-of-Words 표현

text1 <- c("Few words are important.")
text2 <- c("All words are important.")
text3 <- c("Most words are important.")

고유 단어:

few: text1에만 있음
all: text2에만 있음
most: text3에만 있음
words, are, important

일반적 벡터 표현

# 소문자, 불용어 제외
word_vector <- c("few", "all", "most", "words", "important")

# text1의 표현
text1 <- c("Few words are important.")
text1_vector <- c(1, 0, 0, 1, 1)
# text2의 표현
text2 <- c("All words are important.")
text2_vector <- c(0, 1, 0, 1, 1)
# text3의 표현
text3 <- c("Most words are important.")
text3_vector <- c(0, 0, 1, 1, 1)

tidytext 표현

words <- animal_farm %>%
    unnest_tokens(output = "word", token = "words", input = text_column) %>%
    anti_join(stop_words) %>%
    count(chapter, word, sort = TRUE)
words

# A tibble: 6,807 x 3
   chapter    word         n
   <chr>      <chr>    <int>
 1 Chapter 8  napoleon    43
 2 Chapter 8  animals     41
 3 Chapter 9  boxer       34
...

단어 하나 예시

words %>%
  filter(word == 'napoleon') %>%
  arrange(desc(n))

# A tibble: 9 x 3
  chapter    word         n
  <chr>      <chr>    <int>
1 Chapter 8  napoleon    43
2 Chapter 7  napoleon    24
3 Chapter 5  napoleon    22
...
8 Chapter 3  napoleon     3
9 Chapter 4  napoleon     1

희소 행렬

library(tidytext); library(dplyr)
russian_tweets <- read.csv("russian_1.csv")
russian_tweets <- as_tibble(russian_tweets)

tidy_tweets <- russian_tweets %>%
  unnest_tokens(word, content) %>%
  anti_join(stop_words)
tidy_tweets %>%
  count(word, sort = TRUE)

# A tibble: 43,666 x 2
...

희소 행렬 계속

희소 행렬

20,000행(트윗)
43,000열(단어)
20,000 * 43,000 = 860,000,000
0이 아닌 값 177,000개, 약 0.02%

희소 행렬 예시: 희소 행렬에는 0이 아닌 항목이 매우 적습니다. 보이면 대부분 0처럼 보입니다.

BoW 실습

R로 배우는 자연어 처리 입문