टीएफ-आईडीएफ और बैग-ऑफ-वर्ड्स मॉडल
बैग-ऑफ-वर्ड्स क्रम को अनदेखा करते हुए टेक्स्ट को शब्द गणनाओं में बदल देता है, और टीएफ-आईडीएफ उन गणनाओं को इतना महत्व देता है कि दुर्लभ, विशिष्ट शब्द सामान्य शब्दों की तुलना में अधिक मायने रखते हैं।
सिंहावलोकन
साथ में वे गहन शिक्षा से पहले खोज और पाठ वर्गीकरण के वर्कहॉर्स थे।
गहरा गोता
बैग-ऑफ-वर्ड्स (BoW) मॉडल एक दस्तावेज़ को शब्द गणना के वेक्टर के रूप में प्रस्तुत करता है, व्याकरण और शब्द क्रम को छोड़कर: 'कुत्ते ने आदमी को काटा' और 'आदमी ने कुत्ते को काटा' समान दिखते हैं। यह सरलता कई कार्यों के लिए आश्चर्यजनक रूप से अच्छा काम करती है। TF-IDF शर्तों को पुनः महत्व देकर BoW को परिष्कृत करता है। टर्म फ़्रीक्वेंसी (TF) मापती है कि कोई शब्द किसी दस्तावेज़ में कितनी बार दिखाई देता है, जबकि व्युत्क्रम दस्तावेज़ फ़्रीक्वेंसी (IDF) कई दस्तावेज़ों में दिखाई देने वाले शब्दों को कम करता है। उन्हें गुणा करने से उन शब्दों को उच्च अंक मिलते हैं जो एक दस्तावेज़ में अक्सर होते हैं लेकिन पूरे संग्रह में दुर्लभ होते हैं, जैसे एक विशिष्ट विषय कीवर्ड, जबकि 'द' जैसे सामान्य शब्दों को लगभग शून्य महत्व मिलता है। टीएफ-आईडीएफ वैक्टर कीवर्ड खोज रैंकिंग को शक्ति प्रदान करते हैं और नाइव बेयस और एसवीएम जैसे शास्त्रीय क्लासिफायर को फ़ीड करते हैं।
तकनीकी अंतर्दृष्टि
आईडीएफ की गणना आमतौर पर लॉग (एन / डीएफ) के रूप में की जाती है, जहां एन दस्तावेजों की कुल संख्या है और डीएफ शब्द वाले दस्तावेजों की संख्या है, इसलिए प्रत्येक दस्तावेज़ में एक शब्द शून्य के करीब एक आईडीएफ उत्पन्न करता है। अंतिम टीएफ-आईडीएफ स्कोर टीएफ को आईडीएफ से गुणा किया जाता है। दस्तावेज़ वेक्टर आमतौर पर L2-सामान्यीकृत होते हैं और उनकी तुलना कोसाइन समानता से की जाती है, जो वैक्टर के बीच के कोण को मापता है और दस्तावेज़ की लंबाई के अंतर को अनदेखा करता है।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
टीएफ-आईडीएफ और बैग-ऑफ-वर्ड्स मॉडल का भविष्य
घने तंत्रिका एम्बेडिंग और ट्रांसफार्मर मॉडल अब शब्द क्रम और अर्थ को पकड़ लेते हैं जो कि BoW और TF-IDF नहीं कर सकते हैं, इसलिए गहरे मॉडल अत्याधुनिक एनएलपी पर हावी हैं। फिर भी TF-IDF एक तेज़, व्याख्या करने योग्य, कम संसाधन वाली आधार रेखा बनी हुई है जिसे कीवर्ड खोज के लिए हरा पाना कठिन है, और यह अभी भी हाइब्रिड पुनर्प्राप्ति प्रणालियों को रेखांकित करता है जहां खोज और पुनर्प्राप्ति-संवर्धित पीढ़ी को बेहतर बनाने के लिए विरल TF-IDF/BM25 स्कोर को सघन एम्बेडिंग के साथ जोड़ा जाता है।
वास्तविक विश्व कार्यान्वयन
खोज इंजन किसी क्वेरी के विरुद्ध TF-IDF या उसके उत्तराधिकारी BM25 द्वारा दस्तावेज़ों की रैंकिंग करते हैं
Naive Bayes क्लासिफायरियर में फीड किए गए बैग-ऑफ-वर्ड्स सुविधाओं का उपयोग करके स्पैम फ़िल्टर
किसी लेख के उच्चतम टीएफ-आईडीएफ शब्दों को चुनकर उससे कीवर्ड या टैग निकालना
कोसाइन समानता के साथ टीएफ-आईडीएफ वैक्टर की तुलना करके समान समाचार लेखों की सिफारिश करना
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the TF-IDF and Bag-of-Words Models quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
शब्द एम्बेडिंग
अक्सर पूछे जाने वाले प्रश्नों
TF-IDF और बैग-ऑफ-वर्ड्स मॉडल क्या है?
बैग-ऑफ-वर्ड्स क्रम को अनदेखा करते हुए टेक्स्ट को शब्द गणनाओं में बदल देता है, और टीएफ-आईडीएफ उन गणनाओं को इतना महत्व देता है कि दुर्लभ, विशिष्ट शब्द सामान्य शब्दों की तुलना में अधिक मायने रखते हैं। साथ में वे गहन शिक्षण से पहले खोज और पाठ वर्गीकरण के अग्रदूत थे।
बैग-ऑफ-वर्ड्स मॉडल किस महत्वपूर्ण जानकारी को त्याग देता है?
बैग-ऑफ-वर्ड्स शब्दों की गिनती तो रखता है लेकिन शब्द क्रम और व्याकरणिक संरचना को नष्ट कर देता है।
TF-IDF का IDF भाग क्या करता है?
व्युत्क्रम दस्तावेज़ आवृत्ति कई दस्तावेज़ों में दिखाई देने वाले शब्दों के महत्व को कम कर देती है, इसलिए 'द' जैसे सामान्य शब्द बहुत कम योगदान देते हैं।
संग्रह में प्रत्येक दस्तावेज़ में दिखाई देने वाले शब्द को आईडीएफ मान किसके करीब मिलता है?
आईडीएफ = लॉग (एन/डीएफ) के साथ, यदि डीएफ एन के बराबर है तो अनुपात 1 है और लॉग (1) 0 है, जिससे शब्द को लगभग कोई महत्व नहीं मिलता है।
किसी पद के लिए TF-IDF स्कोर की गणना कैसे की जाती है?
टीएफ-आईडीएफ भार शब्द आवृत्ति को व्युत्क्रम दस्तावेज़ आवृत्ति से गुणा किया जाता है।
टीएफ-आईडीएफ दस्तावेज़ वैक्टर की तुलना करने के लिए आमतौर पर किस समानता माप का उपयोग किया जाता है?
कोसाइन समानता वैक्टर के बीच के कोण को मापती है और दस्तावेज़ की लंबाई की परवाह किए बिना टीएफ-आईडीएफ अभ्यावेदन की तुलना करने के लिए मानक है।