词袋模型（Bow）

词袋模型（Bag of words, Bow）

词袋模型顾名思义，即将文本看作是装满了词的袋子，它不考虑文本中词与词的上下文关系，仅仅考虑所有词的权重，而权重和词频有关系。

应用词袋模型时，首先进行分词，分词之后统计每个词在文本中出现的次数，我们就可以得到该文本基于词的特征（词频特征）。如果将各个文本样本的这些词与对应的词频放在一起即向量化，可以组成一个词频矩阵。向量化之后一般会采用TF-IDF进行特征的权重修正，然后再进行标准化，经过一系列操作之后，就可以将数据带入机器学习模型中计算。

词袋模型的三个主要步骤：

1. 分词（tokenizing）
2. 统计修订词特征（counting）
3. 标准化（normalizing）

词袋模型有很大的局限性，因为它仅仅考虑了词频，没有考虑上下文信息，因此会丢失大量语义。

词袋模型统计词频，可以使用sktlearn中的CountVectorizer。