Model tas-kata-kata

Model bag-of-words ialah sebuah gambaran sederhana digunakan dalam pengolahan bahasa alami dan pencarian informasi. Dikenal sebagai model ruang vektor. Pada model ini, teks (sebuah kalimat atau dokumen) digambarkan sebagai bag dari kata-kata, mengabaikan tata bahasa dan bahkan urutan kata namun menghitung frekuensi kemunculan kata dari dokumen.

Contoh Implementasi

Terdapat dua dokumen teks sederhana D1 dan D2:

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.