Files
2nd/10_Wiki/Topic_Programming/AI_and_ML/Term-Frequency-Inverse-Document-Frequency.md
T
Antigravity Agent 9148c358d0 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.
2026-07-05 00:33:48 +09:00

4.7 KiB
Raw Blame History

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, tech_stack
id title category status canonical_id aliases duplicate_of source_trust_level confidence_score verification_status tags raw_sources last_reinforced github_commit tech_stack
wiki-2026-0508-term-frequency-inverse-document- Term Frequency-Inverse Document Frequency 10_Wiki/Topics verified self
TF-IDF
tfidf
classic IR baseline
none A 0.95 applied
ir
nlp
retrieval
baseline
sklearn
2026-05-10 pending
language framework
python 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

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())
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)

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)

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)

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

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

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

🤖 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