出現回数が一回だけど、とても重要な単語をどうtfidfで対処していくべきか。

出現回数が一回の単語だが、とても重要な単語を発見しており、今分析しているテキストでは結構沢山ありそうでキーワードとして抽出できるようにしたいのですが、こういう場合どう対処していけばいいのかわからずにします。
個人的には、パラメータチューニングでどうにかなるような話ではない気がしていますが、どなたか、アイデアがあればご教示頂けませんでしょうか？

python
1from sklearn.feature_extraction.text import TfidfVectorizer
2    t_vec = TfidfVectorizer(token_pattern=r"(?u)\b\w\w+\b",
3                            max_df=MAX_DF, min_df=MIN_DF, sublinear_tf=SUBLINEAR_TF)

下記から引用

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html

input : string {‘filename’, ‘file’, ‘content’}
If ‘filename’, the sequence passed as an argument to fit is expected to be a list of filenames that need reading to fetch the raw content to analyze.

If ‘file’, the sequence items must have a ‘read’ method (file-like object) that is called to fetch the bytes in memory.

Otherwise the input is expected to be the sequence strings or bytes items are expected to be analyzed directly.

encoding : string, ‘utf-8’ by default.
If bytes or files are given to analyze, this encoding is used to decode.

decode_error : {‘strict’, ‘ignore’, ‘replace’} (default=’strict’)
Instruction on what to do if a byte sequence is given to analyze that contains characters not of the given encoding. By default, it is ‘strict’, meaning that a UnicodeDecodeError will be raised. Other values are ‘ignore’ and ‘replace’.

strip_accents : {‘ascii’, ‘unicode’, None} (default=None)
Remove accents and perform other character normalization during the preprocessing step. ‘ascii’ is a fast method that only works on characters that have an direct ASCII mapping. ‘unicode’ is a slightly slower method that works on any characters. None (default) does nothing.

Both ‘ascii’ and ‘unicode’ use NFKD normalization from unicodedata.normalize.

lowercase : boolean (default=True)
Convert all characters to lowercase before tokenizing.

preprocessor : callable or None (default=None)
Override the preprocessing (string transformation) stage while preserving the tokenizing and n-grams generation steps.

tokenizer : callable or None (default=None)
Override the string tokenization step while preserving the preprocessing and n-grams generation steps. Only applies if analyzer == 'word'.

analyzer : string, {‘word’, ‘char’, ‘char_wb’} or callable
Whether the feature should be made of word or character n-grams. Option ‘char_wb’ creates character n-grams only from text inside word boundaries; n-grams at the edges of words are padded with space.

If a callable is passed it is used to extract the sequence of features out of the raw, unprocessed input.

Changed in version 0.21.

Since v0.21, if input is filename or file, the data is first read from the file and then passed to the given callable analyzer.

stop_words : string {‘english’}, list, or None (default=None)
If a string, it is passed to _check_stop_list and the appropriate stop list is returned. ‘english’ is currently the only supported string value. There are several known issues with ‘english’ and you should consider an alternative (see Using stop words).

If a list, that list is assumed to contain stop words, all of which will be removed from the resulting tokens. Only applies if analyzer == 'word'.

If None, no stop words will be used. max_df can be set to a value in the range [0.7, 1.0) to automatically detect and filter stop words based on intra corpus document frequency of terms.

token_pattern : string
Regular expression denoting what constitutes a “token”, only used if analyzer == 'word'. The default regexp selects tokens of 2 or more alphanumeric characters (punctuation is completely ignored and always treated as a token separator).

ngram_range : tuple (min_n, max_n) (default=(1, 1))
The lower and upper boundary of the range of n-values for different n-grams to be extracted. All values of n such that min_n <= n <= max_n will be used.

max_df : float in range [0.0, 1.0] or int (default=1.0)
When building the vocabulary ignore terms that have a document frequency strictly higher than the given threshold (corpus-specific stop words). If float, the parameter represents a proportion of documents, integer absolute counts. This parameter is ignored if vocabulary is not None.

min_df : float in range [0.0, 1.0] or int (default=1)
When building the vocabulary ignore terms that have a document frequency strictly lower than the given threshold. This value is also called cut-off in the literature. If float, the parameter represents a proportion of documents, integer absolute counts. This parameter is ignored if vocabulary is not None.

max_features : int or None (default=None)
If not None, build a vocabulary that only consider the top max_features ordered by term frequency across the corpus.

This parameter is ignored if vocabulary is not None.

vocabulary : Mapping or iterable, optional (default=None)
Either a Mapping (e.g., a dict) where keys are terms and values are indices in the feature matrix, or an iterable over terms. If not given, a vocabulary is determined from the input documents.

binary : boolean (default=False)
If True, all non-zero term counts are set to 1. This does not mean outputs will have only 0/1 values, only that the tf term in tf-idf is binary. (Set idf and normalization to False to get 0/1 outputs.)

dtype : type, optional (default=float64)
Type of the matrix returned by fit_transform() or transform().

norm : ‘l1’, ‘l2’ or None, optional (default=’l2’)
Each output row will have unit norm, either: * ‘l2’: Sum of squares of vector elements is 1. The cosine similarity between two vectors is their dot product when l2 norm has been applied. * ‘l1’: Sum of absolute values of vector elements is 1. See preprocessing.normalize

use_idf : boolean (default=True)
Enable inverse-document-frequency reweighting.

smooth_idf : boolean (default=True)
Smooth idf weights by adding one to document frequencies, as if an extra document was seen containing every term in the collection exactly once. Prevents zero divisions.

sublinear_tf : boolean (default=False)
Apply sublinear tf scaling, i.e. replace tf with 1 + log(tf).

coco_bauer

2019/06/03 11:02

「出現回数が一回の単語だが」は、どのようなテキストを対象としたものなのでしょうか。そのテキストと「今分析しているテキスト」との関係は、どうなっているのでしょうか。単語の重要度は何で判断しているのですか（どのように判断したら出現回数が１回しかない単語を"とても重要"と決定できるのですか）。質問の最初の一文だけでも、疑問点が多すぎて理解できないのです。もう少し、判るように説明してもらえませんか？

sequelanonymous

2019/06/03 12:21 編集

tfidfの計算のうちtfは、ある文書の中で出現する単語の出現頻度をさします。その頻度が一回と言う意味です。しかし、一回にも関わらず、ある文書を指しさめす重要な単語である場合を想定しています。その単語のtfidf値を高くするには、tfの値かidfの値を調整する必要があります。その場合、どう調整すればいいのだろう？と言う質問になります。例えば、その同じ単語を追加して頻度をあげてしまうのか、もしくはidfを二乗してtfidfの値を大きくするのか、などが考えられますが、それでは調整前に頻度の高かった別の単語のtfidf値が下がってしまい、うまくいかなかったりします。どうすればいいのだろう？と言う状況です。

行動規範の内容に同意します

回答2件

「出現回数が一回だけど、重要な単語をtf-idfでどう扱うべきか」については、「他の単語と同様、一般的に扱うべき」としか答えられません。

tf-idfはtf-idfであって、客観的な単語の重要度を出してくれる訳でも、ましてや主観的な重要度を反映した数字を吐いてくれる訳でもありません。文書の特徴を抽出する上で、それなりに妥当ではあるだろうと広く認められている一つの操作に過ぎません。

質問文に書いてあるような操作で意図することが達成できるのであれば、それを使っても構いませんが、tf-idfは名乗れなくなります。単なる「オレオレ文書ベクトル」です。また、scikit-learnのモデルがそういう操作に対応していることを期待するのは無理筋です。ご自身で実装してください（やる気次第ですが、べつにそれほど難しくはないはずです）。

これだけで終わってしまうのもなんなので、いくつか余談。

なんのためにtf-idfを作るのか、という説明がまったくないので憶測になってしまいますが、たとえば文書分類で使うのであればいくつかの「とても重要な単語」が人間の知識からわかっていたとしても、あまり気にせずナイーブなtf-idf（もしくは、場合によっては単なるBoW）で突っ込んでしまうと思います。投げやりな説明だけど、機械学習がなんとかしてくれます。

また、tf-idfは基本的には単に変数のスケールを変えるだけなので、機械学習に入れる文書ベクトルとしては実はさほど性能が高くないということを個人的に経験しています。重み付けを工夫するより、単に標準化する方がよっぽど冴えたやり方かもしれません。

あるいは、こういうシチュエーションですか？

plain
1にゃー、と鳴く。かわいい猫。撫でると喉をゴロゴロ鳴らす。しっぽを触ると怒る。

猫が重要な単語なのは確かに明らかなのですが、この例では1回出現したものの、0回のケースもあり得るという点に注意が必要です。

plain
1にゃー、と鳴く。かわいいペット。撫でると喉をゴロゴロ鳴らす。しっぽを触ると怒る。

こういう場合は、もはやtf-idfのような単純な頻度ベースの文書ベクトルではうまく取り扱えないと思います。
（ただ、テキスト長がそれなりにあれば、よしなに関連語を拾ってくれてうまく処理できたりするのも事実ですが）

猫という単語が出現しようがしまいが、猫っぽい文書のベクトルには同じような性質を持たせる、という手法もいろいろあります。トピックモデルか分散表現の、どちらかがいいでしょう。そういうものの利用も検討してください。

投稿2019/06/03 13:23

hayataka2049

総合スコア30933

sequelanonymous

2019/06/03 14:48

ご丁寧に回答ありがとうございます。助かります。やりたいことは、動画ファイルの検索精度改善です。状況は、後者です。一回しかでない単語は、殆ど固有名詞なので、ルールベースで固有名詞だけ重みつけを高くする、みたいなことを考えていました。例えば、後者の例だと猫に関する文書がいくつかあって、猫と言う単語をつかっているのが一つしかないとした時、かつ他の固有名詞は頻出している。そういう時に固有名詞だけ重みつけするというようにできたらいいのかなと思ったり、音声解析から抽出できたテキストからと画像解析から抽出できたテキスト、両方にあるキーワードは重みつけをする、などを考えたりしていました。この方法、どう思いますか？もしよければご意見お伺いたいです。