[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,62 +1,160 @@
|
||||
---
|
||||
id: wiki-2026-0508-term-frequency-inverse-document-
|
||||
title: Term Frequency Inverse Document Frequency
|
||||
title: Term Frequency-Inverse Document Frequency
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [NLP-TF-IDF-001]
|
||||
aliases: [TF-IDF, tfidf, classic IR baseline]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, nlp, tf-idf, information-retrieval, Text-Mining, keyword-extraction, Search-engine]
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [ir, nlp, retrieval, baseline, sklearn]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: scikit-learn
|
||||
---
|
||||
|
||||
# Term Frequency-Inverse Document Frequency (TF-IDF)
|
||||
# Term Frequency-Inverse Document Frequency
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "문서 내 빈도는 높되 전체 문서군에서는 희귀한 단어에 가중치를 부여하여, 흔한 소음(Stopwords)을 걷어내고 문서의 고유한 '정체성'을 결정짓는 핵심 키워드를 추출하라" — 텍스트 데이터에서 특정 단어가 문서 내에서 가지는 통계적 중요도를 계산하는 수치적 지표.
|
||||
## 매 한 줄
|
||||
> **"매 term frequency × inverse document frequency — 매 word's importance 의 corpus context 매 weight"**. Karen Spärck Jones (1972) 의 IDF formalization. 2026 매 dense retrieval (BGE, E5) 매 default 매도 매 baseline + hybrid (BM25 + dense) 의 second stage 매 still ubiquitous.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Local Relevance and Global Rarity Balance" — 특정 문서에 자주 등장하는 단어($TF$)의 점수는 높이고, 모든 문서에 흔하게 등장하는 단어($IDF$)의 점수는 깎아서, 해당 문서를 가장 잘 대표하는 특징을 추출하는 패턴.
|
||||
- **핵심 수식:** $TF-IDF(t, d, D) = TF(t, d) \times IDF(t, D)$
|
||||
- **TF (Term Frequency):** 문서 $d$에 단어 $t$가 나타나는 빈도.
|
||||
- **IDF (Inverse Document Frequency):** 단어 $t$가 포함된 문서의 비율의 역수에 로그를 취한 값.
|
||||
- **의의:** 검색 엔진의 문서 랭킹, 텍스트 요약, 유사도 측정 등 초기 자연어 처리 및 정보 검색 기술의 가장 강력하고 직관적인 기초 도구.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단어의 순서나 맥락을 무시하는 'Bag-of-Words' 방식의 한계 때문에 딥러닝 임베딩([[BERT|BERT]] 등)에 자리를 내주었으나, 여전히 키워드 기반 검색이나 데이터 전처리의 기준점(Baseline)으로서 압도적인 연산 효율성과 해석력을 제공함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 1,174개 지식 문서의 초기 자동 분류 및 핵심 태그 추출 시, 연산 자원을 최소화하면서도 정확도가 높은 TF-IDF 알고리즘을 1차 필터링 엔진으로 활용함.
|
||||
### 매 Formula
|
||||
- **TF**: term의 doc 매 count (raw / log-normalized / frequency).
|
||||
- **IDF**: `log(N / df_t)` — 매 N corpus size, df_t = doc 매 t의 contains 의 count.
|
||||
- **TF-IDF**: TF(t,d) × IDF(t).
|
||||
- **L2 norm**: 매 cosine 의 prepare.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Natural-Language-Processing|Natural-Language-[[Processing]]-NLP]], [[Semantic-Search-with-AI|Semantic-Search-with-AI]], [[Sparse-Data-Handling|Sparse-Data-Handling]], [[Similarity-Metrics-in-AI|Similarity-Metrics-in-AI]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Term-Frequency-Inverse-Document-Frequency.md
|
||||
### 매 Variants
|
||||
- Raw TF / log(1+TF) / sublinear.
|
||||
- IDF smoothing: `log((1+N)/(1+df)) + 1`.
|
||||
- BM25: 매 TF saturation + length normalization 의 add.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. Search baseline (sklearn + scikit-learn).
|
||||
2. Hybrid retrieval — 매 BM25 + dense embedding의 reciprocal-rank fuse.
|
||||
3. Feature extraction 매 classical ML (logistic regression, SVM).
|
||||
4. Keyword extraction (top-k tfidf).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### sklearn TF-IDF
|
||||
```python
|
||||
from sklearn.feature_extraction.text import TfidfVectorizer
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
corpus = [
|
||||
"the cat sat on the mat",
|
||||
"the dog ate the bone",
|
||||
"cats and dogs are pets",
|
||||
]
|
||||
vec = TfidfVectorizer(stop_words="english", sublinear_tf=True, ngram_range=(1, 2))
|
||||
X = vec.fit_transform(corpus) # sparse (n_docs, n_features)
|
||||
print(vec.get_feature_names_out())
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### Cosine search
|
||||
```python
|
||||
from sklearn.metrics.pairwise import cosine_similarity
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
q = vec.transform(["pet animals"])
|
||||
sims = cosine_similarity(q, X).flatten()
|
||||
ranking = sims.argsort()[::-1]
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### Manual IDF (educational)
|
||||
```python
|
||||
import math
|
||||
from collections import Counter
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
def compute_idf(corpus_tokens):
|
||||
N = len(corpus_tokens)
|
||||
df = Counter()
|
||||
for tokens in corpus_tokens:
|
||||
for t in set(tokens):
|
||||
df[t] += 1
|
||||
return {t: math.log((N + 1) / (df_t + 1)) + 1 for t, df_t in df.items()}
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### BM25 (preferred over plain TF-IDF for IR)
|
||||
```python
|
||||
from rank_bm25 import BM25Okapi
|
||||
|
||||
tokenized = [doc.lower().split() for doc in corpus]
|
||||
bm25 = BM25Okapi(tokenized, k1=1.5, b=0.75)
|
||||
scores = bm25.get_scores("pet animals".split())
|
||||
```
|
||||
|
||||
### Hybrid search (2026 standard)
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
def rrf(rankings, k=60):
|
||||
scores = {}
|
||||
for ranking in rankings:
|
||||
for rank, doc_id in enumerate(ranking):
|
||||
scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + rank)
|
||||
return sorted(scores, key=scores.get, reverse=True)
|
||||
|
||||
bm25_top = bm25.get_top_n("query".split(), corpus, n=100)
|
||||
dense_top = dense_index.search("query", k=100)
|
||||
final = rrf([bm25_top, dense_top])[:10]
|
||||
```
|
||||
|
||||
### Top keyword extraction
|
||||
```python
|
||||
def top_keywords(doc_idx, vec, X, k=10):
|
||||
row = X[doc_idx].toarray().flatten()
|
||||
feats = vec.get_feature_names_out()
|
||||
top = np.argsort(-row)[:k]
|
||||
return [(feats[i], row[i]) for i in top]
|
||||
```
|
||||
|
||||
### Persistence
|
||||
```python
|
||||
import joblib
|
||||
joblib.dump((vec, X), "tfidf_index.joblib")
|
||||
vec, X = joblib.load("tfidf_index.joblib")
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 small corpus + interpretability | TF-IDF (sklearn) |
|
||||
| 매 medium corpus + better recall | BM25 |
|
||||
| 매 semantic / paraphrase | Dense (BGE-M3, E5) |
|
||||
| 매 production search | Hybrid (BM25 + dense + RRF) |
|
||||
| 매 keyword extraction / explanation | Plain TF-IDF top-k |
|
||||
|
||||
**기본값**: 매 BM25 baseline → 매 hybrid + reranker (cross-encoder) for 2026 production.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Information Retrieval]] · [[Bag of Words]]
|
||||
- 변형: [[BM25]] · [[BM25F]]
|
||||
- 응용: [[Search Engine]] · [[Hybrid Retrieval]] · [[RAG]]
|
||||
- Adjacent: [[Cosine Similarity]] · [[Dense Retrieval]] · [[Cross-Encoder Rerank]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 small corpus 매 lookup, 매 RAG 의 sparse channel, 매 explainability ("matched on 'mat', 'cat'").
|
||||
**언제 X**: 매 paraphrase / multilingual 매 weak — 매 dense 의 prefer.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **TF-IDF 만으로 production search**: 매 paraphrase miss.
|
||||
- **No stopword / lowercasing**: 매 noisy features.
|
||||
- **Same vectorizer not pickled**: 매 train/serve mismatch.
|
||||
- **No length normalization**: 매 long docs 의 unfair advantage (use BM25 또는 normalize).
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Spärck Jones 1972; Manning IR Book Ch.6; sklearn TfidfVectorizer 2026).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — TF-IDF formula + sklearn + BM25 + hybrid RRF |
|
||||
|
||||
Reference in New Issue
Block a user