Model tas-kata-kata

Model bag-of-words ialah sebuah gambaran sederhana digunakan dalam pengolahan bahasa alami dan pencarian informasi. Dikenal sebagai model ruang vektor[1]. Pada model ini, teks (sebuah kalimat atau dokumen) digambarkan sebagai bag dari kata-kata, mengabaikan tata bahasa dan bahkan urutan kata namun menghitung frekuensi kemunculan kata dari dokumen.

Contoh Implementasi

Terdapat dua dokumen teks sederhana D1 dan D2[2]:

D1: "The Sun is a star. Sun is beautiful."

D2: "The Moon is a satellite."

Berdasar pada kedua dokumen tersebut, sebuah kamus dibangun:

{

"The":1
"Sun":2
"is":3
"a":4
"star":5
"beautiful":6
"Moon":7
"satellite":8

}

Dokumen memiliki 8 kata berbeda. Tiap dokumen digambarkan sebagai 8 unsur vektor [1, 2, 2, 1, 1, 1, 0, 0] [1, 0, 1, 1, 0, 0, 1, 1] yang mana tiap entri dari vektor mengacu pada jumlah entri dalam kamus.

  1. ^ McTear, Michael (et al) (2016). The Conversational Interface - Talking to Smart Devices. p. 166.
  2. ^ Soumya George K, Shibily Joseph. 2014. Text Classification by Augmenting Bag of Words (BOW) Representation with Co-occurrence Feature. IOSR Journal of Computer Engineering (IOSR-JCE) Volume 16, Issue 1, Ver. V (Jan. 2014), PP 34-38