NL 
EnglishDefault
Українська💬 Chatbot Intent-classifier — TF-IDF Gelijkenis Live
Bekijk een echte TF-IDF-vectorizer en cosine-similarity-matcher die een binnenkomend synthetisch gebruikersbericht scoort tegen een bank van intentsjablonen, en live de best passende intentie rangschikt terwijl je typt.
Over deze simulatie
Deze simulator draait een echte TF-IDF (term-frequency, inverse-document-frequency)-vectorizer en cosine-similarity-matcher volledig in de browser — dezelfde familie algoritmes die lichtgewicht, uitlegbare chatbot-intentroutering aandrijft vóór of naast een neuraal model. Elke intentsjabloon — "controleer bestelstatus", "vraag terugbetaling aan", "reset mijn wachtwoord" enzovoort — wordt behandeld als een document; de corpuswoordenschat en IDF-gewichten worden live herberekend uit die documenten, en een echte PCA-projectie toont hoe de queryvector zich verhoudt tot elke intentie in de vectorruimte.
🔬 Wat het laat zien
Een gerangschikte staafgrafiek van cosine-similarity-scores over elke intentsjabloon, een 2D PCA-projectie van de intent- en query-TF-IDF-vectoren (berekend met echte gemiddelde-centrering, covariantie en power-iteration-eigenvectoren), en een bijdrage-grafiek per term die precies uiteenzet welke gedeelde woorden de winnende match dreven.
🎮 Hoe te gebruiken
Typ een bericht in het live tekstvak, of druk op Afspelen stream om een roterende set synthetische gebruikersberichten met instelbare snelheid door de classifier te voeren. Voeg je eigen intentsjabloon toe met een label en voorbeelduitingen om de woordenschat, IDF-gewichten en PCA-indeling live te zien herberekenen, of verwijder er een om de grens te zien verschuiven. Reset herstelt het standaard vijf-intent-corpus.
💡 Wist je dat?
Omdat cosine similarity begrensd is door gedeelde woordenschat, scoort een bericht dat geen van de woorden van het corpus gebruikt laag tegen elke intentie — de vertrouwenskloof tussen de beste en op-één-na-beste intentie krimpt dienovereenkomstig. Die krimpende kloof is een echt, bekend signaal dat productie-TF-IDF-baselines gebruiken om buiten-bereik of dubbelzinnige verzoeken te detecteren.
Veelgestelde vragen
Wordt de TF-IDF-wiskunde daadwerkelijk berekend, of is het een voorgebakken demo?
Het wordt live berekend. Tokenisatie, term-documentfrequentietellingen, de gladgestreken IDF-formule ln((1+N)/(1+df))+1, en L2-genormaliseerde TF-IDF-vectoren worden allemaal gebouwd uit welke intentsjablonen momenteel in het corpus bestaan, inclusief alles wat je zelf toevoegt.
Hoe wordt de vectorruimteplot gegenereerd?
De TF-IDF-vector van elke intentie wordt gemiddelde-gecentreerd, en de bovenste twee eigenvectoren van de resulterende covariantiematrix worden gevonden met power-iteratie en deflatie — een standaard, echte implementatie van Principal Component Analysis. De 2D-posities zijn de projecties van elke hoogdimensionale vector op die twee eigenvectoren.
Waarom krijgt een onbekend bericht soms een lage vertrouwensscore voor elke intentie?
Cosine similarity is begrensd en hangt volledig af van gedeelde woordenschat. Als een getypt bericht bijna geen woorden deelt met de voorbeelduitingen van welke intentie dan ook, zal elke similarity-score laag zijn en zal de vertrouwenskloof krimpen — een getrouw signaal dat de classifier onzeker is, precies zoals een productie-TF-IDF-baseline zich zou gedragen.
Wat gebeurt er wanneer ik een nieuw intentsjabloon toevoeg?
De woordenschat en documentfrequentietellingen worden opnieuw opgebouwd over alle intenties (inclusief de nieuwe), wat de IDF-gewichten van elke bestaande intentie enigszins verandert. Alle vectoren, de PCA-projectie en de similarity-scores van de huidige query worden vervolgens herberekend tegen het nieuwe corpus.
Bekijk hoe een echte TF-IDF-vectorizer en cosine-similarity-matcher een binnenkomend synthetisch gebruikersbericht scoort tegen een bank van intentsjablonen, en live de best passende intentie rangschikt terwijl je typt.
3D · Three.js / WebGL renderer · 60 FPS target · runs fully client-side, no install