باختصار
حقيبة الكلمات (Bag of Words) تمثيل لكلمات عبارة أو مقطع بصرف النظر عن ترتيبها.
بالتفصيل
الفكرة إنك بترمي كلمات الجملة في «حقيبة» وتهزّها: اللي بيفضل هو أي كلمات موجودة وكام مرّة، من غير أي معلومة عن الترتيب.
يعني العبارات التلاتة دي بتتمثّل بشكل متطابق تمامًا في هذا التمثيل: «the dog jumps» و«jumps the dog» و«dog jumps the».
تقنيًا، كل كلمة بتتربط بموضع في متّجه متناثر (Sparse Vector)، والمتّجه فيه موضع لكل كلمة في المفردات. فعبارة «the dog jumps» بتتحوّل لمتّجه سمات بقيم غير صفرية عند التلات مواضع المقابلة للكلمات the وdog وjumps.
والقيمة غير الصفرية ممكن تكون واحدة من تلاتة:
- الرقم 1 للدلالة على وجود الكلمة فقط.
- عدد مرّات ظهور الكلمة. مثلًا في عبارة «the maroon dog is a dog with maroon fur» تبقى قيمة maroon وdog تساوي 2، وباقي الكلمات 1.
- قيمة أخرى، مثل لوغاريتم عدد مرّات الظهور.
العيب واضح: «الكلب عضّ الرجل» و«الرجل عضّ الكلب» متطابقان في هذا التمثيل. ومع ذلك، الطريقة لسّه مفيدة في مهامّ بيغلب عليها وجود الكلمات لا ترتيبها، زي تصنيف الرسائل المزعجة.
مثال عملي
بتصنّف مراجعات المنتجات إلى إيجابية وسلبية. وجود كلمات زي «ممتاز» و«سريع» مقابل «سيّئ» و«تأخّر» بيفرّق كتير — وترتيبها غالبًا ما بيفرقش. هنا حقيبة الكلمات تمثيل مناسب ورخيص.
مصطلحات مرتبطة
- Sparse Vector — المتّجه المتناثر.
- TF-IDF — ترجيح تكرار الكلمة مقابل ندرتها.
- Embedding — التضمين، البديل الحديث اللي بيحفظ المعنى.
المصادر: Google ML Glossary
