词袋模型（Bag of Words）

NLP重新启程，这次扎扎实实做点笔记（部分摘自维基百科）

词袋模型本质上是一种向量空间模型（Vector Space Model，VSM），常用语NLP和IR（信息检索）的任务中。词袋模型是一种被简化的特征表示，这种表示方式不考虑文法以及词语的顺序。

词袋模型被广泛用于文本分类领域，词出现的频率可以用来当做训练分类器的特征。

例子：假设有两句话；

1. John likes to watch movies. Mary likes movies too.
2. John also likes to watch football games.

假设这两句话组成了一个语料库，则我们可以得到一个词袋：
[“John”, “likes”, “to”, “watch”, “movies”, “also”, “football”, “games”, “Mary”, “too”]
一共有十个词，所以我们可以将句子表示为一个十维向量，向量中每个位置的值表示该位置的单词在句子出现的次数。

例如，我们将第一句话可以表示为 [1, 2, 1, 1, 2, 0, 0, 0, 1, 1]，第二句话可以表示为 [1, 1, 1, 1, 0, 1, 1, 1, 0, 0]。