Преглед
Bag-of-words превръща текста в преброяване на думи, като игнорира реда, а TF-IDF претегля тези преброявания, така че редките, отличителни думи са по-важни от обичайните. Заедно те бяха работните коне на търсенето и класифицирането на текст преди дълбокото обучение.
Моделите TF-IDF и Bag-of-Words са част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
Моделът на чантата с думи (BoW) представя документ като вектор от преброяване на думи, отхвърляйки граматиката и словореда: „кучето ухапа човека“ и „човекът ухапа кучето“ изглеждат идентични. Тази простота работи изненадващо добре за много задачи. TF-IDF прецизира BoW, като претегля термините. Честотата на термините (TF) измерва колко често се появява дума в документ, докато обратната честота на документа (IDF) намалява думите, които се появяват в много документи. Умножаването им дава високи резултати на думи, които са чести в един документ, но рядко срещани в колекцията, като отличителна ключова дума за тема, докато общи думи като „the“ получават почти нулева тежест. TF-IDF вектори захранват класирането при търсене по ключови думи и захранват класически класификатори като Naive Bayes и SVM.
Техническа информация
IDF обикновено се изчислява като log(N / df), където N е общият брой документи, а df е броят на документите, съдържащи термина, така че една дума във всеки документ дава IDF близо до нула. Крайният TF-IDF резултат е TF, умножен по IDF. Векторите на документи обикновено са L2-нормализирани и се сравняват с косинусово сходство, което измерва ъгъла между векторите и игнорира разликите в дължината на документа.
Овладяване на модели TF-IDF и Bag-of-Words
Bag-of-words превръща текста в преброяване на думи, като игнорира реда, а TF-IDF претегля тези преброявания, така че редките, отличителни думи са по-важни от обичайните. Заедно те бяха работните коне на търсенето и класифицирането на текст преди дълбокото обучение. Моделите TF-IDF и Bag-of-Words са част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте моделите TF-IDF и Bag-of-Words като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи модели TF-IDF и Bag-of-Words, проектират цикли за подкани, извличане и преглед като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Търсачките класират документи от TF-IDF или неговия наследник BM25 спрямо заявка
Филтри за нежелана поща, използвайки функции за пакет от думи, въведени в Naive Bayes класификатор
Извличане на ключови думи или етикети от статия чрез избиране на нейните най-високи TF-IDF условия
Препоръчване на подобни новинарски статии чрез сравняване на TF-IDF вектори с косинусово сходство
Модели на изпълнение
TF-IDF и Bag-of-Words модели на практика
Търсачките класират документи от TF-IDF или неговия наследник BM25 спрямо заявка.
Търсачките класират документите от TF-IDF или неговия наследник BM25 спрямо заявка. Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
TF-IDF и Bag-of-Words модели на практика
Филтри за нежелана поща, използвайки функции за пакет от думи, въведени в Naive Bayes класификатор.
Филтри за нежелана поща, използвайки функции за пакет от думи, въведени в Naive Bayes класификатор. Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
TF-IDF и Bag-of-Words модели на практика
Извличане на ключови думи или етикети от статия чрез избиране на нейните най-високи TF-IDF условия.
Извличане на ключови думи или етикети от статия чрез избиране на нейните най-високи TF-IDF термини Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
TF-IDF и Bag-of-Words модели на практика
Препоръчване на подобни новинарски статии чрез сравняване на TF-IDF вектори с косинусово сходство.
Препоръчване на подобни новинарски статии чрез сравняване на TF-IDF вектори с косинусово сходство Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.