NLP 系列-2：文字向量化 - tfidf
2023/01/02閱讀時間約 4 分鐘
文字資料該怎麼分析？
文字屬於非結構化資料，不像正常身高、體重、年紀等是直接的數值型結構化資料，無法直接在資料科學、機器學習中使用。
因此，需要將文字轉成數值才能進行後續處理，而此轉換又稱為向量化。
目錄
- 文字資料該怎麼分析？
- 文字向量化
- tf-idf 簡介
- 如何在 Python 中使用
- 最後
文字向量化
最簡單的文字向量化方法就屬於 BoW(Bag of Word) 了，又稱為詞袋模型。
詞袋模型是一個基於單詞出現頻率來表示文字的方法，它並不考慮單詞的排列順序、或甚至是文法結構。
比如說一個分詞後的幾個句子：
原始句子：「每天努力學習資料科學，是為了成為一個資料科學家。」經過分詞後(jieba)，會變成「每天/努力/學習/資料/科學/是/為/了/成為/一個/資料/科學家/」，此時每一個/分隔而成的就是一個詞，就可以用 BoW 來表示。
「每天」:1, 「努力」: 1, 「資料」: 2，以此類推。
就可以將上面這句話用向量表示為11維的向量[1,1,1,2,1,1,1,1,1,1]，後續就可以使用任何ML的模型作為特徵輸入了。
但是這個方法有一個巨大的缺陷，隨著句子變長，重複的詞其特徵值會越來越大，在遇到許多贅詞的時候會顯得不符使用。
因此，為了平衡權重的調整，在不同長度的句子都可以更好地表示，也就是 tf-idf 的出現了！
tf-idf 簡介
有興趣可以去看看tf-idf定義，wiki講得很清楚！
這邊想與大家介紹的是 tf-idf 的背後直覺，tf 就是詞頻，也就是去數「詞」出現的頻率(機率)，跟 BoW 沒有不同，而 idf 則是會根據該「詞」在各個檔案中出現的頻率倒數取 log，比如說我有 100 篇文章，而詞「科學家」只出現過 1 遍，那麼其 idf = log (100 / 1) = 2，如果在該篇文章中出現了 3 次(該文章總字數假設為100)，則 tf = 3/100 = 0.03，就會得到 tf-idf = tf*idf = 0.03*2 = 0.06。
那我們可以看看相同另一個例子，如詞「是」可能就大量出現在各個文章中，比如 100 次，那麼 idf = log(100 / 100) = 1，而假設其中一篇文章的 tf 也為 0.03，其 tf-idf = 0.03*1 = 0.03。
可以發現，其數值在詞頻相同的情況下，因為出現在更多的文章中，就被限制了大小，可以達到贅詞會被限縮，而像「科學家」這樣比較有代表意義的則會給予比較大的權重。
tf-idf 背後的精神非常直覺，透過數學計算，將常出現在「各文章」的「詞」視為辨別度不高(idf)，給予較低權重，但在「同一篇文章」中如果出現次數高(tf)，可能具有代表意義，給予較高的權重，兩者互相平衡來表示。
如何在 Python 中使用(code snippet)
Python 的 sklearn 套件已經幫我們製作好了模組，其向量化只需要數行即可。後續即可輸入 ML 模型或者其他方法去分析。
ps: 還有許多超參數可供調整，可參考官方文件去研究唷！另外，此處套件會忽略「單字」，如果需要單字可以去更多研究唷！
from sklearn.feature_extraction.text import TfidfVectorizer# 已中文分詞
corpus = [
'我 是 優秀的 資料 科學 家',
'每天 學習 資料 科學 很 有趣']
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(corpus)
vectorizer.get_feature_names() # ['優秀的', '學習', '有趣', '每天', '科學', '資料']
print(X.shape) # (2, 6)
最後
但 tf-idf 也有它自身的缺陷，如不考慮詞的擺放順序、詞與詞之間是獨立的、隨著詞庫增加，維度會爆炸且稀疏等等，不過在很多情況下，是一個非常實用的技術！
那這次的 NLP 系列就到這邊告一段落了！希望大家有學會一個新的文字向量化方法，也可以了解其背後的直覺！
如果覺得文章有幫助，也希望可以給我一些掌聲👏讓我更有動力繼續分享類似的主題，也歡迎提供任何主題想法哦！
參考
留言0
查看全部