
48
3
章 関連のある文書を見つける
3.2
前処理:共通する単語の出現回数を類似度として計測する
これまで見てきたとおり、bag-of-wordは高速であり、かつロバストです。しかし、問題がないわ
けではありません。それでは、その問題について見ていくことにしましょう。
3.2.1
テキストデータを
bag-of-word
に変換する
ここでは、単語の出現回数を数え、それをベクトルで表記するためのコードを書く必要はありませ
ん。Scikitの
CountVectorizer
がその作業を効率的に行ってくれます。また、それには便利なイン
ターフェイスが備わっています。Scikit の関数とクラスは
sklearn
パッケージを経由して、次のよう
にインポートすることができます。
>>>
from sklearn.feature_extraction.text import CountVectorizer
>>>
vectorizer = CountVectorizer(min_df=1)
上で使用した
min_df
というパラメータは、頻繁には使われていない単語を、
CountVectorizer
が無視するときに使用します。もし、設定する値が整数であれば、その数より出現回数の小さい単語
は無視されます。設定する値が分数であれば、データセットの数にその分数を掛けた値を基準とし
て、その基準より出現回数が小さい場合、それは無視されます。
max_df
というパラメータも同様な働
きをします。生成したインスタンスを
print
すること