Vectorizare TF-IDF

Procesarea Limbajului Natural (NLP) în Python

Fouad Trad

Machine Learning Engineer

De la BoW la TF-IDF

BoW tratează toate cuvintele ca fiind la fel de importante
TF-IDF corectează acest lucru indicând:
- de câte ori apare un cuvânt într-un document
- cât de relevant este acel cuvânt în colecție

Imagine cu reprezentarea BoW a două propoziții: „I love this NLP course" și „I enjoyed this project."

TF-IDF

Imagine care arată că TF-IDF este produsul dintre TF și IDF.

TF-IDF

Imagine care arată că TF-IDF este produsul dintre TF și IDF.

TF: Frecvența termenului
- De câte ori apare un cuvânt într-un document

TF-IDF

Imagine care arată că TF-IDF este produsul dintre TF și IDF.

TF: Frecvența termenului
- De câte ori apare un cuvânt într-un document
IDF: Frecvența inversă a documentului
- Cât de rar este acel cuvânt în toate documentele

Cuvântul apare într-un singur document → scor ridicat
Cuvântul apare în toate documentele → scor scăzut

TF-IDF în cod

reviews = [
    "I loved the movie. It was amazing!",
    "The movie was okay.",
    "I hated the movie. It was boring."
]

cleaned_reviews = [preprocess(review) for review in reviews]
print(cleaned_reviews)

['i loved the movie it was amazing', 
 'the movie was okay', 
 'i hated the movie it was boring']

TF-IDF în cod

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer()

tfidf_matrix = vectorizer.fit_transform(cleaned_reviews)

print(tfidf_matrix)

<Compressed Sparse Row sparse matrix of dtype 'float64'
    with 16 stored elements and shape (3, 9)>

Rezultatul TF-IDF

print(tfidf_matrix.toarray())

[[0.52523431 0.         0.         0.39945423 0.52523431 0.31021184   0.         0.31021184 0.31021184]
 [0.         0.         0.         0.         0.         0.41285857   0.69903033 0.41285857 0.41285857]
 [0.         0.52523431 0.52523431 0.39945423 0.         0.31021184   0.         0.31021184 0.31021184]]

vectorizer.get_feature_names_out()

['amazing' 'boring' 'hated' 'it' 'loved' 'movie' 'okay' 'the' 'was']

Vizualizarea scorurilor ca heatmap

import pandas as pd

df_tfidf = pd.DataFrame(

    tfidf_matrix.toarray(),

    columns=vectorizer.get_feature_names_out()
)

import seaborn as sns
import matplotlib.pyplot as plt

sns.heatmap(df_tfidf, annot=True)

plt.title("TF-IDF Scores Across Reviews")
plt.xlabel("Terms")
plt.ylabel("Documents")
plt.show()

Heatmap al reprezentării TF-IDF a setului de date.

Comparație cu BoW

Heatmap al reprezentării BoW a setului de date.

Heatmap al reprezentării TF-IDF a setului de date.

Să exersăm!

Procesarea Limbajului Natural (NLP) în Python