人工智能 NLP 基础：词袋模型与 TF-IDF 详解
人工智能项目
人工智能 NLP 基础：词袋模型与 TF-IDF 详解
介绍自然语言处理中最基础的文本表示方法：词袋模型（Bag of Words）与 TF-IDF，理解它们的工作原理及优缺点。
人工智能项目

人工智能 NLP 基础：词袋模型与 TF-IDF 详解

阅读信息

难度: 入门 阅读时间: 8 分钟
  • NLP
  • Bag of Words
  • TF-IDF
  • Machine Learning
打开知识图谱

在学习了基于图像的深度学习之后，下一个最常见的领域就是自然语言处理（NLP）。与图片固定像素的矩阵不同，文本是长短不一的字符序列，机器无法直接看懂文字。这就引出了 NLP 的第一个核心问题：如何把单词变成计算机能处理的数字？

这篇文章是自然语言处理的入门，我们将介绍两种最传统也最经典的文本表示方法：词袋模型（Bag of Words）和 TF-IDF。它们虽然简单，但在许多基础分类任务中依然非常有效。

一、最直观的思路：词袋模型（Bag of Words）

想象一个装满词汇的袋子。当你拿到一句话时，你只关心这句话里出现了哪些词，以及每个词出现了几次，完全忽略词语的前后顺序和语法结构。

具体步骤非常简单：

  1. 构建词表（Vocabulary）：把所有文本中出现的不重复单词收集起来，排个序。比如：["AI", "is", "fun", "learning", "hard"]。
  2. 统计词频：对于任何一个新句子，看它在词表中每个位置对应的单词出现了多少次。

比如句子 “learning AI is fun and learning is hard”，如果去掉词表外的词，它的词频统计向量可能长这样：

# 词表: ["AI", "is", "fun", "learning", "hard"]
# 向量: [1, 2, 1, 2, 1]

这样，一段长短不一的文本，就被转换成了一个固定长度的数字向量。接着就可以把它送进逻辑回归或神经网络进行分类了。

二、词袋模型的局限性

词袋模型简单直观，但有几个明显的缺陷：

  • 向量极其稀疏：真实应用中，词表可能有几万到几十万个词，但一句话通常只有几十个词。生成的向量绝大多数位置都是 0，造成严重的内存和计算浪费。
  • 忽略了语义关系：“good” 和 “excellent” 意思相近，但在词袋模型中，它们是两个完全正交的维度，没有任何联系。
  • 完全丢失了顺序：“Dog bites man” 和 “Man bites dog” 的词袋表示完全一样，但这两种情况在现实中的意义截然不同。

三、词频的改进：TF-IDF

在词袋模型中，像 “the”、“is”、“a” 这种词会在每篇文章里大量出现，导致它们的频次很高。如果只看词频，算法会误以为这些词最重要。TF-IDF 旨在解决这个问题。

TF-IDF 的全称是 Term Frequency – Inverse Document Frequency（词频 – 逆文档频率）。它不仅考虑一个词在当前文档里出现的频率（TF），还考虑它在所有文档中有多罕见（IDF）。

计算公式的直观理解：

  • TF（词频）：这个词在这篇文章里出现的次数。次数越多，越能代表这篇文章的主题。
  • IDF（逆文档频率）：log(总文档数 / 包含这个词的文档数)。如果一个词在几乎所有文章里都有，那它的 IDF 就会趋近于 0，从而降低它的权重。

TF-IDF 会把 “the” 的权重压到极低，而把像 “machine”、“quantum” 这种罕见但关键的词权重放大，非常适合用于关键词提取或简单的文本分类。

四、从统计特征到深度学习的铺垫

无论是词袋模型还是 TF-IDF，它们本质上都在利用词的统计特征。模型并没有真正理解词的含义，只是记住了哪些词在一起出现的概率更高。

由于维度灾难、缺乏顺序信息和无法理解语义，这些经典方法在面对复杂的对话理解、机器翻译等任务时显得力不从心。为了克服这些缺点，自然语言处理领域引入了“词嵌入（Word Embeddings）”和“循环神经网络（RNN）”的概念，这将是我们下一篇文章要探讨的核心。

内部链接

相关阅读

补基础 机器学习完整流程：从数据、特征到模型预测

从工程视角拆解机器学习完整流程：定义问题、理解数据、处理特征、训练模型、预测和评估。

 继续下一篇 循环神经网络 (RNN) 基础：处理序列数据的记忆力

理解 RNN 的核心思想、隐藏状态的作用，以及它在处理自然语言序列任务时的优势与挑战。

 专题页 学生 AI 项目

把手写数字、浏览器实验台和 CNN 项目串成作品集路线。

 知识图谱 知识图谱

查看这篇文章和项目、资源、路线之间的关系。

搜索问题

常见问题

这篇文章适合谁读？

这篇文章适合想用 入门 难度理解“人工智能 NLP 基础：词袋模型与 TF-IDF 详解”的读者，预计阅读时间约 8 分钟，重点覆盖 NLP, Bag of Words, TF-IDF, Machine Learning。

读完后下一步应该看什么？

推荐下一步阅读“循环神经网络 (RNN) 基础：处理序列数据的记忆力”，这样可以把当前知识点接到更完整的学习路线里。

这篇文章有没有可运行代码或配套资源？

这篇文章以解释为主，文末相关阅读会继续指向更接近实战的代码和资源页面。

这篇文章和整个网站的学习路线有什么关系？

它会通过文章上下文、学习路线、资源库和项目时间线连接到同一主题下的其他内容。

文章上下文

人工智能项目

从 AI、机器学习、训练评估、神经网络到 Python 小实战、手写数字识别、CIFAR-10 CNN、对抗性流量防御和 AI 安全攻防，按顺序建立基础。

难度: 入门 阅读时间: 8 分钟
  • NLP
  • Bag of Words
  • TF-IDF
  • Machine Learning

继续下一步

继续：循环神经网络 (RNN) 基础：处理序列数据的记忆力
查看项目
对应语言版本 NLP Basics: Understanding Bag of Words and TF-IDF
可分享摘要 人工智能 NLP 基础：词袋模型与 TF-IDF 详解

介绍自然语言处理中最基础的文本表示方法：词袋模型（Bag of Words）与 TF-IDF，理解它们的工作原理及优缺点。

打开分享中心

发表回复

项目时间线

已发布文章

  1. 人工智能基础学习路线：先理解什么是 AI、机器学习和深度学习 面向有编程基础的读者，梳理 AI、机器学习、深度学习的关系，并给出可执行的人工智能基础学习路线。
  2. 机器学习完整流程：从数据、特征到模型预测 从工程视角拆解机器学习完整流程：定义问题、理解数据、处理特征、训练模型、预测和评估。
  3. 机器学习算法怎么选：分类、回归、聚类和推荐场景对照表 用任务类型、数据规模、解释性和部署成本选择机器学习算法，覆盖逻辑回归、决策树、随机森林、K-means 和表格数据基线模型。
  4. 特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化 用 scikit-learn Pipeline 和 ColumnTransformer 完成特征工程，处理缺失值、类别变量、数值标准化，并避免数据泄漏。
  5. 模型训练与评估入门：损失函数、过拟合和准确率怎么理解 讲清楚模型训练中的参数、损失函数、梯度下降、过拟合，以及准确率、召回率、F1 等分类评估指标。
  6. 过拟合和欠拟合怎么解决：机器学习模型调优实战指南 用训练分数和验证分数判断过拟合与欠拟合，并通过模型复杂度、正则化、交叉验证和特征工程调整机器学习模型。
  7. 神经网络基础：从感知机到多层网络 从一个神经元讲起，解释权重、偏置、激活函数、前向传播、反向传播和典型神经网络训练循环。
  8. Python 人工智能小实战：用 scikit-learn 完成一个分类任务 使用 scikit-learn 内置教学数据集跑通一个分类任务，覆盖数据加载、拆分、标准化、训练、预测、评估和实验记录。
  9. 手写数字识别项目入门：先读懂 train.csv、test.csv 和标签结构 从项目文件结构入手，读懂手写数字训练集、测试集、标签列和 784 维像素输入，为后续 C 分类器和实验台打基础。
  10. 用 C 实现手写数字 Softmax 分类器：从 784 维像素到 submission.csv 结合当前项目源码，讲清楚 softmax 多分类、损失函数、梯度更新、混淆矩阵输出，以及 submission.csv 的生成过程。
  11. 手写数字实验记录：怎么把离线分类项目接进浏览器实验台 解释浏览器实验台为什么采用轻量预训练模型、它和离线 C 项目的关系，以及如何用样本浏览和手绘输入理解预测结果。
  12. CIFAR-10 Tiny CNN 教程：用 C 语言实现小型卷积神经网络图像分类 用单文件 C 程序完成 CIFAR-10 小型 CNN 图像分类，讲解数据格式、网络结构、训练命令、loss、accuracy、常见错误和改进方向。
  13. 构建高熵流量防御：基于 Python 的连接层白噪声混淆与对抗性机器学习实践 以 mld_chaffing_v2.py 虚幻镜项目为例，讲解加密元数据泄漏、信息熵、分布距离、混淆矩阵、空闲窗口微脉冲和性能测试取舍。
  14. AI 安全威胁建模：用 NIST AML、MITRE ATLAS 和 OWASP 建立攻防地图 用 NIST Adversarial ML、MITRE ATLAS 和 OWASP LLM Top 10 建立 AI 安全威胁模型，覆盖资产、攻击面、证据和剩余风险。
  15. 对抗样本与鲁棒评估：从 FGSM 公式到 scikit-learn 数字分类实验 从 FGSM 公式解释对抗样本，用 scikit-learn digits toy 实验评估 clean accuracy、perturbed accuracy 和扰动预算。
  16. 数据投毒与后门攻击防御：污染率、触发器和训练管线隔离 用 toy digits 实验解释数据投毒、后门触发器、attack success rate、数据来源审计和训练管线隔离。
  17. 模型隐私与模型窃取风险：成员推断、模型抽取和输出接口防护 用本地 toy 实验解释成员推断、模型抽取、membership AUC、surrogate fidelity、输出最小化和查询治理。
  18. LLM/RAG/Agent 安全：Prompt Injection、工具权限和边界感知防护 从 RAG 和 Agent 架构解释 prompt injection、外部数据降权、工具 allowlist、人工审批和边界感知防护。
  19. 人工智能 NLP 基础：词袋模型与 TF-IDF 详解 介绍自然语言处理中最基础的文本表示方法：词袋模型（Bag of Words）与 TF-IDF，理解它们的工作原理及优缺点。
  20. 循环神经网络 (RNN) 基础：处理序列数据的记忆力 理解 RNN 的核心思想、隐藏状态的作用，以及它在处理自然语言序列任务时的优势与挑战。
  21. Transformer 与自注意力机制：AI 领域的革命性突破 深入浅出地讲解 Transformer 架构的核心：自注意力机制（Self-Attention）及其运作方式。
  22. 用 C 从零实现 CIFAR-10 Tiny CNN：卷积、池化和反向传播 基于实际 cifar10_tiny_cnn.c 项目，讲解 CIFAR-10 数据格式、3x3 卷积、ReLU、最大池化、全连接层、softmax、反向传播和本地运行方式。

已公开资源

  1. Python AI 小实战代码说明 文章内包含可直接复制运行的 scikit-learn 分类脚本。
  2. digit_softmax_classifier.c 手写数字 softmax 分类器的 C 语言源码。
  3. train.csv.zip 手写数字训练集压缩包，包含 42000 条带标签样本。
  4. test.csv.zip 手写数字测试集压缩包，包含 28000 条待预测样本。
  5. sample_submission.csv 官方提交格式示例，可直接对照最终输出字段。
  6. submission.csv 当前 C 项目跑出的预测结果文件。
  7. digit-playground-model.json 浏览器实验台使用的轻量 softmax 演示模型与样本。
  8. digit-sample-grid.svg 从训练集中抽取的小型手写数字预览网格。
  9. 手写数字项目打包下载 包含源码、压缩数据、提交文件、浏览器模型和样本预览图。
  10. cifar10_tiny_cnn.c 源码 单文件 C 语言 tiny CNN，包含 CIFAR-10 读取、卷积、池化、softmax 和反向传播。
  11. model_weights.bin 样例权重 一次本地小样本运行生成的模型权重文件。
  12. test_predictions.csv 预测样例 CIFAR-10 tiny CNN 输出的测试预测样例。
  13. CNN 项目说明 PDF 配套 CNN 项目说明材料。
  14. 虚幻镜脱敏代码骨架 去除控制口令、真实节点和目标列表后的 mld_chaffing_v2.py 控制流程说明。
  15. 虚幻镜压力测试记录模板 用于记录 CPU、内存、线程峰值、微脉冲速率、延迟和错误数的脱敏 CSV 模板。
  16. 虚幻镜分类器评估模板 用于记录 TP、FN、FP、TN、accuracy、precision、recall、F1、ROC-AUC、熵和 JS 散度的 CSV 模板。
  17. 虚幻镜资源说明 说明公开资源为何只提供脱敏代码、测试模板和架构笔记。
  18. AI Security Lab 说明 说明 AI 安全攻防系列的安全边界、安装命令和 quick-run 实验。
  19. AI Security Lab 完整实验包 包含安全 toy scripts、结果 CSV、风险登记表、攻防矩阵和架构图。
  20. AI 安全风险登记表 面向 AI 威胁建模和上线评审的 CSV 风险登记模板。
  21. AI 攻防矩阵 把攻击面、toy demo、指标和防护控制映射到一张 CSV 表。
  22. AI Security Lab 架构图 展示威胁建模、鲁棒评估、数据完整性、模型隐私和 RAG 防护之间的关系。
  23. FGSM digits 鲁棒评估脚本 本地 digits 分类器的 FGSM-style 扰动和准确率下降实验。
  24. 数据投毒与后门 toy 脚本 用 digits 数据演示污染率、触发器和 attack success rate。
  25. 模型隐私与抽取 toy 脚本 输出 membership AUC、target accuracy、surrogate fidelity 和 surrogate accuracy。
  26. RAG prompt injection guard toy 脚本 用确定性 toy agent 演示外部数据降权和工具权限阻断。
  27. 深度学习专题分享图 用于分享深度学习 / CNN 专题页的 1200x630 SVG 图。
  28. 从零实现机器学习分享图 用于分享 K-means、Iris 和机器学习流程专题页的 1200x630 SVG 图。
  29. 学生 AI 项目分享图 用于分享手写数字、C 分类器和浏览器实验台专题页的 1200x630 SVG 图。
  30. CNN 卷积扫描动画 Remotion 生成的 8 秒短动画，展示 3x3 卷积核如何扫描输入并形成特征图。

当前学习路线

  1. 人工智能基础学习路线 学习路线节点
  2. 机器学习完整流程 学习路线节点
  3. 机器学习算法怎么选 学习路线节点
  4. 特征工程入门实战 学习路线节点
  5. 模型训练与评估入门 学习路线节点
  6. 过拟合和欠拟合怎么解决 学习路线节点
  7. 神经网络基础 学习路线节点
  8. Transformer 自注意力机制 学习路线节点
  9. LLM 可视化教学台 学习路线节点
  10. Python 人工智能小实战 学习路线节点
  11. 手写数字数据结构入门 学习路线节点
  12. 用 C 实现手写数字 Softmax 分类器 学习路线节点
  13. 手写数字实验台说明 学习路线节点
  14. CIFAR-10 Tiny CNN 教程 学习路线节点
  15. 高熵流量防御实验 学习路线节点
  16. AI 安全威胁建模 学习路线节点
  17. 对抗样本与鲁棒评估 学习路线节点
  18. 数据投毒与后门防御 学习路线节点
  19. 模型隐私与模型抽取防护 学习路线节点
  20. LLM/RAG/Agent 安全 学习路线节点

下一步计划

  1. 补充更多图像分类和误差分析案例
  2. 把常见指标整理成速查表
  3. 继续补充 AI 安全防御实验记录