TFIDF

Wprowadzenie do przetwarzania języka naturalnego w R

Kasey Jones

Research Data Scientist

Pułapki modelu 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"

Wspólne słowa

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

Porównanie t1 i t2

3/4 słów z t1 występuje w t2
3/5 słów z t2 występuje w t1

Porównanie t1 i t3

2/4 słów z t1 występuje w t3
2/6 słów z t3 występuje w t1

Tacos mają znaczenie

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."

Słowa w każdym tekście:

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: częstość terminu (Term Frequency)
- Udział danego terminu w tekście
- john stanowi 1/4 słów w clean_t1, tf = .25
IDF: odwrotna częstość dokumentowa (Inverse Document Frequency)
- Waga określająca, jak powszechny jest termin w całym korpusie
- john występuje w 3/3 dokumentach, IDF = 0

Wzór IDF

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

N: całkowita liczba dokumentów w korpusie
$n_{t}$: liczba dokumentów zawierających dany termin

Przykład:

IDF dla Taco: $log (\frac{3}{2}) = .405$
IDF dla Buddy: $log (\frac{3}{1}) = 1.10$
IDF dla 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 dla "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

Obliczanie macierzy 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: kolumna zawierająca terminy
ID: kolumna zawierająca identyfikatory dokumentów
n: liczba słów zwrócona przez count()

Wynik 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
 ...

Ćwiczenie: TFIDF

Wprowadzenie do przetwarzania języka naturalnego w R