À retenir
- Ignore totalement la structure des phrases et la conjugaison.
- Transforme un texte en une liste de nombres (fréquences).
- C'est la méthode la plus simple pour qu'un ordinateur "calcule" sur du texte.
Le sac de mots est une méthode de simplification d'un texte où l'on ne garde que les mots eux-mêmes en oubliant totalement leur ordre et la grammaire. Imaginez que vous découpiez chaque mot d'une page de livre et que vous les jetiez tous dans un sac : vous savez quels mots sont présents et combien de fois ils apparaissent, mais vous ne pouvez plus lire les phrases originales.
Étymologie
Il s'agit de la traduction littérale de l'anglais Bag-of-Words (souvent abrégé BoW). Le concept est issu de la linguistique du milieu du XXe siècle et a été adopté en informatique pour permettre aux algorithmes de manipuler du texte sous forme de données numériques.
Exemples d'usage
- Un filtre de courriers indésirables qui cherche la fréquence de mots comme "gagné", "argent" ou "cliquez" pour classer un mail en spam.
- Un outil comparant deux articles de presse pour voir s'ils traitent du même sujet en comptant leurs points communs lexicaux.
Cas d'usage
Ce concept est utilisé en intelligence artificielle, plus précisément en Traitement du Langage Naturel (NLP), pour la classification de documents, la recherche d'information dans une base de données ou la détection de thématiques dominantes dans un grand volume de textes.
Bonnes pratiques
Avant de créer un sac de mots, il est recommandé d'effectuer un nettoyage : passer tout le texte en minuscules, retirer la ponctuation et supprimer les mots vides (le, la, de, et) qui sont très fréquents mais n'apportent pas d'information sur le sujet traité.
Synonymes
Antonymes
Conseil
Si vous débutez en analyse de données, commencez par ce modèle. C'est la base indispensable avant d'aborder des concepts plus complexes comme le TF-IDF ou les réseaux de neurones textuels.
Questions fréquentes
Est-ce que le sac de mots comprend l'ironie ?
Non, car l'ironie dépend de l'ordre des mots et du contexte, des éléments que cette méthode ignore volontairement.
Pourquoi utiliser une méthode aussi simple ?
Parce qu'elle est très rapide à calculer et suffit souvent pour classer des documents par grandes catégories (sport, politique, cuisine).