Model tas-kata-kata

Model tas-kata-kata (bahasa Inggris:Bag-of-words model) ialah sebuah gambaran sederhana digunakan dalam pengolahan bahasa alami dan pencarian informasi.^[1] Dikenal sebagai model ruang vektor.^[2] Pada model ini, tiap kalimat dalam dokumen digambarkan sebagai token, mengabaikan tata bahasa dan bahkan urutan kata tetapi menghitung frekuensi kejadian atau kemunculan kata dari dokumen.^[2][3]

Contoh Implementasi

Terdapat dua dokumen teks sederhana D1 dan D2:^[1]

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.

Catatan kaki