Терм-документна матриця

Терм-документна матриця (англ. document-term matrix, term-document matrix) — матриця, що описує частоту появи термінів у колекції документів. В терм-документній матриці рядки відповідають документам з колекції, що аналізується, а стовпці асоційовані з термінами. Існують різноманітні схеми для визначення елементів матриці. Одною з них є схема TF-IDF. Такі матриці використовуються при обробці природної мови, зокрема в методах латентно-семантичного аналізу.

Концепція

При створенні бази даних термінів, що задіяні у множині документів, матриця термінів формується як матриця інцидентності, рядки якої описують документи, а елементи рядків свідчать про наявність термінів в цих документах. Наприклад, якщо є два коротких документи:

• D1 = «Мені подобаються дані»
• D2 = «Мені не подобаються дані», то відповідна терм-документа матриця буде мати вигляд:

	Мені	подобаються	не подобаються	дані
D1	1	1	0	1
D2	1	0	1	1

який показує, що за терміни містяться в тому чи іншому документі, та скільки разів вони зустрічаються. Такий підхід подібний до застосування матриці інцидентності при аналізі речень у корпусі слів одного документу^[1].

Історія

Див. також

• Модель «торба слів»
• Обробка природної мови
• TF-IDF