词袋模型（bag of words，BOW)

前言

词袋模型是自然语言处理中在建模文本时常用的文本表示方法。

简单例子

维基百科上的给出如下的例子：
John likes to watch movies. Mary likes too.
John also likes to watch football games.
将上面的两句话中看作一个文档集，列出文档中出现的所有单词（忽略大小写与标点符号）：
“John” “likes” "to “watch” “movies” “also” “football” "games "Mary“ “too”
将其构建为如下一个词典 (dictionary)：
{“John”: 1, “likes”: 2,“to”: 3, “watch”: 4, “movies”: 5,“also”: 6, “football”: 7, “games”: 8,“Mary”: 9, “too”: 10}
这是一个包含15个单词预料库中10个单词的词汇。
因为我们知道词汇表有10个单词，所以我们可以使用10的固定长度文档表示，在向量中有一个位置来对每个单词进行评分。最简单的评分方法是将单词的存在标记为布尔值，0表示缺席，1表示存在。使用我们词汇表中上面列出的单词的任意排序，我们浏览第一个文档（John likes to watch movies. Mary likes too.）并将其转换为二进制向量。
转换如下：
“John”: 1
“likes”: 2
“to”: 1
“watch”: 1
“movies”: 1
“also”: 0
“football”: 0
“games”:0
“Mary”: 1
“too”: 1
那么这个二进制向量，就是这样：
1，2，1，1，1，0，0，0，1，1
这个向量共包含10个元素, 其中第i个元素表示字典中第i个单词在句子中出现的次数。
另外一个文本可以表示为:1, 1, 1, 1, 0, 1, 1, 1, 0, 0