TF-IDF 模型
什么是 TF-IDF 模型
在之前的文章中谈到了词袋模型,也讲到了它的许多不足,在今天的这篇文章中,我们要尝试解决词袋模型的缺点之一:每个词的重要性是一样的
💡 那么,核心问题就是————如何定义「单词的重要性」这个概念?
一个想法是:一个单词在一个文档里面出现得越频繁,则这个单词对于这个文档来说越重要。比如一篇讨论狗的文章,大概率文章里面会出现很多「狗」,即词频高的单词反映了文档的主题
但如果这个词在语料库的所有文档中都出现得很频繁呢?比如「的」,在每个文档中,它的词频应该都不低,那能说这个单词更重要吗?显然是不行的,「的」更多是服务于语法结构而没包含太多的语义信息。于是我们有了另外一个线索:如果一个单词在每个文档中的词频都很高,那么这个单词的重要性应该就没那么重要
因此一个合理的解决方案应该考虑单词在「单个文档」的词频,但也应该考虑它在「多个文档」的词频,TF-IDF 就兼顾了这两点
概括来说,TF-IDF 的“直觉”理解就是————相似的文档用的词也许是差不多的,而不同的单词的重要性应该是不一样的
TF-IDF 模型细节
TF-IDF 由 2 个部分组成:词频(Term frequency,TF) + 逆文档频率(Inverse document frequency,IDF),先说 TF 再说 IDF
TF
所谓 TF,可以看成是关于文档 $d$ 和单词 $w$ 的函数 $\text{TF}(w, d)$,计算公式如下:
$$\text{TF}(w, d)=\frac{\text{frequency of}\ w\ \text{in}\ d}{\text{word counts of } d}$$
也就是统计文档 $d$ 的单词 $w$ 的词频,然后除以对应文档 $d$ 的总的单词数量即可
🐛 在 Scikit-Learn 框架中,TF 的计算不大一样,它并没有除文档的总的单词数量。其实除以文档的总的单词数量是为了让一个文档 $d$ 的所有单词的 $\text{TF}(w, d)$ 加起来为一,起到一个归一化的作用。Scikit-Learn 是在 TF-IDF 计算完成之后才做归一化的。后面我们会用一个例子证明这点
IDF
在写下 IDF 的具体公式之前,别忘了我们的目的————降低每个文档都出现的常见词的重要性。所以 IDF 是一个关于单词 $w$ 和语料库 $corpus$ 的函数
$$ \text{IDF}(w, corpus)=log\ \frac{\text{document count of }corpus}{1+\text{count of document which contains }w} $$
注意分母位置的 1 避免了除 0 的情况
🤔️ corpus 一般是固定下来不变的,可以看成一个常量而不是自变量,那么就可以把 IDF 看成是只跟单词 $w$ 有关系
💡 注意一个问题,这里的 $log$ 是 $log_2$ 还是 $log_{10}$ 还是 $ln$ ?不同的框架的实现可能会有差异,Scikit-Learn 用的是自然对数 $ln$
🐛 在 Scikit-Learn 框架中,IDF 的计算跟上面的公式并不一样,默认情况下 Scikit-Learn 的 IDF 是这样的1
$$ \text{IDF}(w, corpus)=log\ \frac{1 + \text{document count of }corpus}{1+\text{count of document which contains }w} + 1 $$
🤔️ 我个人理解的话就是,Scikit-Learn 做的改动使得 $\text{IDF}(t)$ 不可能小于 1,而本来的公式如果一个单词 $w$ 在每个文档都出现了的话,$\text{IDF}(w)$ 算出来会是负的,因此 Scikit-Learn 的改动感觉更实用了,不同单词的 IDF 比较起来就很直观
TF-IDF
把 TF 和 IDF 相乘,就得到了最后的 TF-IDF 表达式: $$ \text{TF-IDF}(w, d, corpus)=\text{TF}(w, d) * \text{IDF}(d, corpus) $$
Scikit-Learn 的 TF-IDF
虽然 TF-IDF 实现起来很简单,但是实际用的时候,你多半还是不会自己实现 TF-IDF,而是直接用成熟的 Scikit-Learn 提供的 API。这里我们来研究一下 Scikit-Learn 怎么计算 TF-IDF。我们继续沿用 Scikit-Learn 的官方例子
toy_corpus = [
'This is the first document.',
'This is the second second document.',
'And the third one.',
'Is this the first document?',
]
tokenized_toy_corpus = [
['this', 'is', 'the', 'first', 'document'],
['this', 'is', 'the', 'second', 'second', 'document'],
['and', 'the', 'third', 'one'],
['is', 'this', 'the', 'first', 'document']
]
让我们先来看看 Scikit-Learn 里面如何计算 TF-IDF
from sklearn.feature_extraction.text import TfidfVectorizer
# set norm=None for comparison
vectorizer = TfidfVectorizer(norm=None)
X = vectorizer.fit_transform(toy_corpus)
通过 X.toarray()
就可以拿到 TF-IDF 矩阵,如下所示(注意我关闭了归一化,所以一个文档内的不同单词的 TF-IDF 值加起来不为 1)
and | document | first | is | one | second | the | third | this | |
---|---|---|---|---|---|---|---|---|---|
document1 | 0.0 | 1.22314 | 1.51082 | 1.22314 | 0.0 | 0.0 | 1.0 | 0.0 | 1.22314 |
document2 | 0.0 | 1.22314 | 0.0 | 1.22314 | 0.0 | 3.83258 | 1.0 | 0.0 | 1.22314 |
document3 | 1.91629 | 0.0 | 0.0 | 0.0 | 1.91629 | 0.0 | 1.0 | 1.91629 | 0.0 |
document4 | 0.0 | 1.22314 | 1.51082 | 1.22314 | 0.0 | 0.0 | 1.0 | 0.0 | 1.22314 |
下面则是之前词袋模型的输出
and | document | first | is | one | second | the | third | this | |
---|---|---|---|---|---|---|---|---|---|
document1 | 0 | 1 | 1 | 1 | 0 | 0 | 1 | 0 | 1 |
document2 | 0 | 1 | 0 | 1 | 0 | 2 | 1 | 0 | 1 |
document3 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 |
document4 | 0 | 1 | 1 | 1 | 0 | 0 | 1 | 0 | 1 |
🤔️ 对比一下两者你会发现,现在 document1 文档里面 document
,first
这两个单词的重要性不一样了:document
的 TF-IDF 是 1.22314
,而 first
的 TF-IDF 是 1.51082
,因为语料库中包含他们的文档数量并不相同。而词袋模型认识不到这点,认为两者都是 1
通过 vectorizer 的 idf_
属性我们就能够拿到 Scikit-Learn 计算出来的每个单词的 IDF
print(vectorizer.idf_)
# [1.91629073 1.22314355 1.51082562 1.22314355 1.91629073
# 1.91629073 1. 1.91629073 1.22314355]
🤔️ 此时你要是把这个 IDF 向量乘以词袋模型输出的矩阵(注意向量会被广播),你就得到了 Scikit-Learn 算出来的 TF-IDF 矩阵,这验证了前面我们说的:
- Scikit-Learn 直接用词袋模型的输出当成 TF
- Scikit-Learn 的 IDF 计算跟标准的不一样
手动实现 TF-IDF
手动实现也并不复杂,下面假设语料库或者是文档都是分词好的,采用和 Scikit-Learn 一样的 TF-IDF 计算方式
🐛 注意下面的代码未经优化,只是为了演示
import math
def TF(word: str, tokenized_document: list[str]) -> float:
return tokenized_document.count(word)
def IDF(word: str, tokenized_corpus: list[list[str]]) -> float:
doc_count_contains_word = 0
for doc in tokenized_corpus:
if word in doc:
doc_count_contains_word += 1
return math.log((1 + len(tokenized_corpus)) / (1 + doc_count_contains_word)) + 1
def TF_IDF(
word: str, tokenized_document: list[str], tokenized_corpus: list[list[str]]
) -> float:
return TF(word, tokenized_document) * IDF(word, tokenized_corpus)
总结
在这篇文章中,我们研究了 TF-IDF 如何对词袋模型做出了改进:额外考虑一个单词在所有文档中的词频来调整它的重要性。通过分析官方的例子,我们也验证了确实单词的重要性现在是不一样的了,这是对词袋模型一个不错的改进
从实现的角度来说,TF-IDF 的计算只需要遍历语料库一次即可,在遍历的过程中额外维护几个变量:每个单词出现在了多少个文档里面;处理的文档数量等,Gensim 的 Dictionary
类就是这么设计的,感兴趣的话可以看下源代码