docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,160 @@
|
||||
---
|
||||
id: wiki-2026-0508-term-frequency-inverse-document-
|
||||
title: Term Frequency-Inverse Document Frequency
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [TF-IDF, tfidf, classic IR baseline]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [ir, nlp, retrieval, baseline, sklearn]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: scikit-learn
|
||||
---
|
||||
|
||||
# Term Frequency-Inverse Document Frequency
|
||||
|
||||
## 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.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 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.
|
||||
|
||||
### 매 Variants
|
||||
- Raw TF / log(1+TF) / sublinear.
|
||||
- IDF smoothing: `log((1+N)/(1+df)) + 1`.
|
||||
- BM25: 매 TF saturation + length normalization 의 add.
|
||||
|
||||
### 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).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### sklearn TF-IDF
|
||||
```python
|
||||
from sklearn.feature_extraction.text import TfidfVectorizer
|
||||
|
||||
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())
|
||||
```
|
||||
|
||||
### Cosine search
|
||||
```python
|
||||
from sklearn.metrics.pairwise import cosine_similarity
|
||||
|
||||
q = vec.transform(["pet animals"])
|
||||
sims = cosine_similarity(q, X).flatten()
|
||||
ranking = sims.argsort()[::-1]
|
||||
```
|
||||
|
||||
### Manual IDF (educational)
|
||||
```python
|
||||
import math
|
||||
from collections import Counter
|
||||
|
||||
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()}
|
||||
```
|
||||
|
||||
### 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]]
|
||||
- 변형: [[BM25]]
|
||||
- 응용: [[Search Engine]] · [[RAG]]
|
||||
- Adjacent: [[Dense Retrieval]]
|
||||
|
||||
## 🤖 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