文本的向量表示之One-Hot表达、TF-IDF权重策略

文本的向量表示

---

1.向量表示方法

• One-Hot表达
• TF-IDF权重策略

2.目的

非结构化数据到结构化数据的转化

3.本质

将词袋中的每个词表示为一个个向量(词袋中的所有词不能重复)

4.One-Hot表达例子

• 词袋:[am,college,data,I,in,majored,mining,mathematics,on]

• 词袋中每个单词的向量表示：
  am: [1 0 0 0 0 0 0 0 0]
  college:[0 1 0 0 0 0 0 0 0]
  …

• 给出两个文档：
  文档1：I majored in mathematics in college.
  文档2：I am keen on learning data mining.

• 文本转化为词向量矩阵
  文档1:[0 1 0 1 1 1 0 1 0]
  文档2:[1 0 1 1 0 0 1 0 1]#列表中元素个数=词袋元素个数

5.One-Hot缺点

忽略了句子的词频信息。

6.One-Hot改进——TF-IDF权重策略

• key:权重策略文档中的高频词应具有表征此文档较高的权重。

• 关键词词频TF，指一篇文档中关键词出现的频率：

$TF=\frac{N}{M}$

其中， $N$是单词在文档中的频次， $M$是文档的单词数

• 逆向文本频率IDF，用于衡量关键词权重的指数：

$IDF=log(\frac{D}{D_w})$

其中， $D$是总文档数， $D_w$是出现了该单词的文档数

$TF-IDF=TF \times IDF$

• 增加词频信息
  文本1:[0 1 0 1 2 1 0 1 0]
  文本2:[1 0 1 1 0 0 1 0 1]

• 避免句子长度不一致问题，采用归一化文档TF信息
  文本1:[0 1/6 0 1/6 2/6 1/6 0 1/6 0]
  文本2:[1/6 0 1/6 1/6 0 0 1/6 0 1/6]

对于每一个单词都有一个 $TF-IDF$权值，对于一个文本即一句话都有一个 $TF-IDF$权值向量。