Bag-of-words

Definition / 定义

“词袋模型；词袋表示法”：一种常见的文本表示方法，把一段文本看成由若干“词”的集合（或词频向量）组成，只统计每个词出现的次数/权重，而通常不考虑词序、语法和上下文关系。常用于信息检索、文本分类、情感分析等。（也常写作 bag of words 或缩写 BoW。）

Pronunciation / 发音

/ˌbæɡ əv ˈwɝːdz/

Examples / 例句

A bag-of-words model ignores word order.
词袋模型会忽略词的顺序。

In our classifier, we converted each review into a bag-of-words vector and then applied logistic regression.
在我们的分类器中，我们把每条评论转换成词袋向量，然后使用逻辑回归进行建模。

Etymology / 词源

该术语源自一种直观比喻：把文本里的词像“装进袋子”一样混在一起，只关心有哪些词、各出现多少次，而不管它们原本的排列顺序。作为计算语言学与信息检索的经典表示方法之一，它在 20 世纪后期随文本挖掘与统计学习方法的普及而广泛使用。

Related Words / 相关词

• Tokenization
• Vocabulary
• Term Frequency
• TF-IDF
• N-gram
• Vectorization
• Document
• Feature
• Embedding
• Corpus

Literary Works / 文学作品

• Introduction to Information Retrieval（Manning, Raghavan, Schütze）——在信息检索与文本表示章节中讨论词袋/向量空间思想。
• Speech and Language Processing（Jurafsky & Martin）——在文本分类与特征表示相关内容中提及词袋表示。
• “A Tutorial on Text Categorisation”（Fabrizio Sebastiani）——综述文本分类时常以词袋特征作为基础表示进行说明。