Терм-документная матрица представляет собой математическую матрицу , описывающую частоту терминов, которые встречаются в коллекции документов. В терм-документной матрице строки соответствуют документам в коллекции, а столбцы соответствуют терминам. Существуют различные схемы для определения значения каждого элемента матрицы. Одной из таких является схема TF-IDF . Они полезны в области обработки естественного языка , особенно в методах латентно-семантического анализа .

Общая концепция

При создании базы данных терминов, используемых в наборе документов, матрица терминов формируется как матрица инцидентности, строки которой соответствуют документам, а элементы строк - наличию соответствующих терминов в этих документах. Например, если есть два коротких документа:

• D1 = "Мне нравятся данные"
• D2 = "Мне не нравятся данные",

то соответствующая матрица терминов будет иметь вид:

который показывает, какие термины содержатся в тех или иных документах, и сколько раз они встречаются. Такой подход аналогичен использованию матрицы инцидентности при анализе предложений, образующих корпус слов .

Примечания