词袋模型：只数词频，不问语序

一句话定义：词袋模型（Bag of Words，简称 BoW）是把一段文本变成一串数字的最朴素办法——把所有词丢进一个"袋子"，只记每个词出现了几次，完全不管谁先谁后。

它是怎么运转的

流程只有两步。第一步，先扫一遍全部语料，把出现过的词收集成一张固定词表，比如 {我, 爱, 你, 苹果, 手机}。第二步，对每一句话，按词表顺序数一遍每个词出现了几次，得到一个与词表等长的向量。

拿两句话试试：

两句话的向量一模一样。这就是词袋的脾气：语序信息被彻底扔掉。

打个生活化的比方：去超市结账，小票上只写着"牛奶 ×1、苹果 ×2、盐 ×1"，它不会记录你先拿的牛奶还是先拿的盐，也不会记录你把苹果放在了购物车哪个角落。词袋模型就是文本的小票——只统计商品和数量，不记录动线。

和相邻概念的区别

很多人会把词袋模型和词嵌入（Word AI 词典：Embedding">Embedding，比如 word2vec、GloVe）搞混。两者的层级其实不一样：词袋描述的是"一整篇文档怎么表示"，词嵌入描述的是"单个词怎么表示成有语义的稠密向量"。

词袋也有小修补：用 TF-IDF（词频-逆文档频率）给"的""是"这类到处都出现的词降权，或者用二元语法（bigram）把相邻两个词绑成一个新特征，勉强找回一点语序。但骨架没变。

对从业者和普通人的意义

词袋模型今天依然是文本分类和检索的强基线。垃圾邮件识别、情感分析、新闻打标、关键词抽取，用词袋加一个逻辑回归（Logistic Regression），往往几分钟就能跑出相当能打的结果；搜索引擎早年靠 TF-IDF 加权加倒排索引做召回，本质上也是词袋的思路。

它的实际价值在于两点：便宜和可解释。训练快、几乎不用调参，而且哪几个词把结果推高了，一眼就能看出来。更关键的是，如果词袋模型完全学不动，大概率是数据本身出了问题，而不是模型不够聪明——这时候上大模型只是把问题掩盖掉。

对普通人来说，理解词袋模型就能理解为什么老式搜索是"关键词匹配"：搜"苹果手机"会命中同时含"苹果"和"手机"的页面，却搜不到只写了"iPhone"的那篇。这正是今天的搜索引擎和大模型要补上语义这一课的原因。至于具体产品现在做到哪一步，以官方页面为准。