「机器学习_8」Bag-of-Words
Bag-of-Words
1.文字问题
2. 什么是Bag-of-Words(具体例子）
3. 局限性
1.文字问题
文本建模的一个问题是它很杂乱，机器学习算法之类的技术更喜欢定义明确的固定长度输入和输出。
机器学习算法无法直接处理原始文本；文本必须转换为数字。具体来说，是数字向量。
在语言处理中，矢量x是从文本数据中导出的，以便反映文本的各种语言特性。
这称为特征提取或特征编码。
一种流行且简单的使用文本数据进行特征提取的方法称为 Bag-of-Words.
2. 什么是Bag-of-Words
词袋模型或简称BoW是一种从文本中提取特征以用于建模的方法，例如用于机器学习算法。
该方法非常简单和灵活，可以用于从文档提取特征的多种方式。
词袋是描述文档中单词出现的文本表示。它涉及两件事：
- 已知单词的词汇表。
- 已知单词存在的一种度量。
它被称为单词的“ 袋 ”，因为有关文档中单词顺序或结构的任何信息都将被丢弃。该模型仅关注已知单词是否出现在文档中，而不关注文档中的何处。
句子和文档的一种非常常见的特征提取过程是词袋法（BOW）。在这种方法中，我们查看文本中单词的直方图，即将每个单词计数视为一个特征。
此外，仅从内容上我们就可以了解有关文档含义的信息。
词袋可以根据需要简单或复杂。复杂性在于决定如何设计已知单词（或标记）的词汇表以及如何对已知单词的存在进行度量。
我们将仔细研究这两个问题。
词袋模型的示例
让我们用一个实际的例子来具体说明单词模型。
步骤1：收集资料
下面是查尔斯·狄更斯（Charles Dickens）的《两个城市的故事》一书的前几行摘录，摘自古腾堡计划
It was the best of times,
it was the worst of times,
it was the age of wisdom,
it was the age of foolishness,
对于这个小例子，让我们将每行视为一个单独的“文档”，并将这4行视为整个文档集。
步骤2：设计词汇
现在，我们可以列出模型词汇表中所有单词的列表。
这里的独特词（忽略大小写和标点符号）是：
- “it”
- “was”
- “the”
- “best”
- “of”
- “times”
- “worst”
- “age”
- “wisdom”
- “foolishness”
这是一个包含24个单词的语料库中的10个单词的词汇表。
步骤3：建立文件向量
下一步是对每个文档中的单词打分。目的是将自由文本的每个文档转换为向量，我们可以将其用作机器学习模型的输入或输出。
因为我们知道词汇表有10个单词，所以我们可以使用10的固定长度文档表示形式，在向量中的每一个位置为每个单词评分。
最简单的评分方法是将单词的存在标记为布尔值，0表示不存在，1表示存在。
使用我们词汇表中上面列出的单词的任意顺序，我们可以遍历第一个文档（It was the best of times,）并将其转换为二进制向量。
- “it” = 1
- “was” = 1
- “the” = 1
- “best” = 1
- “of” = 1
- “times” = 1
- “worst” = 0
- “age” = 0
- “wisdom” = 0
- “foolishness” = 0
二进制的表示如下：
| 1 |
[1, 1, 1, 1, 1, 1, 0, 0, 0, 0] |
另外几个的表示如下：
| 1 2 3 |
"it was the worst of times" = [1, 1, 1, 0, 1, 1, 1, 0, 0, 0] "it was the age of wisdom" = [1, 1, 1, 0, 1, 0, 0, 1, 1, 0] "it was the age of foolishness" = [1, 1, 1, 0, 1, 0, 0, 1, 0, 1] |
单词的所有排序都名义上被丢弃，我们有一致的方式从语料库中的任何文档中提取特征，以备建模时使用。
与已知单词的词汇重叠的新文档，但可能包含词汇之外的单词，仍可以进行编码，仅对已知单词的出现进行评分，而忽略未知单词。您可以看到它如何自然地扩展到大词汇量和大文档。
管理词汇
随着词汇量的增加，文档的向量表示也随之增加。
在前面的示例中，文档向量的长度等于已知单词的数量。
您可以想象，对于一个非常大的语料库（例如数千本书），向量的长度可能是数千个或数百万个位置。此外，每个文档在词汇表中可能只包含很少的已知单词。
这将导致矢量具有很多零分，称为稀疏矢量或稀疏表示。
建模时，稀疏向量需要更多的内存和计算资源，而大量的位置或维数会使建模过程对传统算法非常具有挑战性。
有一些简单的文本清除技术可以用在第一步，例如
- 忽略大小写
- 忽略标点符号
- 忽略不包含很多信息的频繁单词，称为停用词，例如“ a”，“ of”等。
- 修复拼写错误的单词。
- 使用词干算法将词减少到词干（例如，从“播放”中“播放”）。
一种更复杂的方法是创建分组词的词汇表。这既改变了词汇的范围，又使词袋能够从文档中获取更多含义。
在这种方法中，每个单词或标记都称为“gram”。反过来，创建两个单词对的词汇表又称为bigram模型。同样，仅对出现在语料库中的二元模型进行建模，而不是对所有可能的二元模型进行建模。
N-gram的简单介绍
：一个2 gram（通常更称为双字母组）是一个两个单词的单词序列，例如“ please turn”，“ turn your”或“ your homework”，以及3 gram（通常更称为三字母）是由三个词组成的单词序列，例如““please turn your”, or “turn your homework”
因此对于该文本（“It was the best of times” ）的分词为：
- “it was”
- “was the”
- “the best”
- “best of”
- “of times”
然后，词汇表跟踪单词的三元组称为三元组模型，通用方法称为n元组模型，其中n表示分组单词的数量。
通常，对于文档分类之类的任务，简单的bigram方法比单个单词袋模型更好。
计分单词
一旦选择了词汇表，就需要对示例文档中单词的出现进行评分。在实际的示例中，我们已经看到一种非常简单的评分方法：单词存在与否的二进制评分。
一些其他简单的计分方法包括：
- 计数。计算每个单词在文档中出现的次数。
- 频率。计算文档中所有单词中每个单词出现在文档中的频率。
3. 词袋的局限性
该模型非常易于理解和实施，并为您在特定文本数据上的自定义提供了很大的灵活性。
它已成功用于预测问题，例如语言建模和文档分类。
但是，它存在一些缺点，例如：
- 词汇表：词汇表需要仔细设计，尤其是为了管理尺寸，这会影响文档表示的稀疏性。
- 稀疏性：由于计算原因（空间和时间复杂度）以及信息原因，稀疏表示难以建模，而挑战在于模型在如此大的表示空间中利用很少的信息。
含义：放弃单词顺序会忽略上下文，从而忽略文档中单词的含义（语义）。上下文和含义可以为模型提供很多帮助，如果建模可以说明不同排列的相同单词（“this is interesting” vs “is this interesting”），同义词（“old bike” vs “used bike”）之间的差异。