Machine learning 除了单词袋（TF-IDF）外，还有哪些方法可以将文本特征转换为数字特征？
这些天我一直在研究自然语言处理。我的目标是根据一些标准，对用罗马文字书写的多语种句子中的不同单词进行分类。因此，我需要一个分类器。毫无疑问，有很多。但由于我的特征不是数字特征而是文本特征，而且大多数分类器（如支持向量机（SVM））都输入数字特征，因此我寻找了一些方法将文本特征转换为数字特征。尽管使用术语频率和反向文档频率（TF-IDF）的单词袋概念是用于此目的的通用方法，但我的文本特征之一，即本地上下文，具有固定长度，我想知道是否有可能在不使用TF-IDF的情况下将其转换为数字特征。本地上下文特征是指考虑前两个和后两个单词（组成特定单词的上下文）。因此，我正在寻找任何其他方法，可以证明在这种情况下更好。我在交叉验证中发现了类似的查询，但这是针对文档聚类的，我想将单个单词分类为不同的类。我在quora上也发现了一个未回答的类似问题Machine learning 除了单词袋（TF-IDF）外，还有哪些方法可以将文本特征转换为数字特征？,machine-learning,nlp,random-forest,tf-idf,Machine Learning,Nlp,Random Forest,Tf Idf,这些天我一直在研究自然语言处理。我的目标是根据一些标准，对用罗马文字书写的多语种句子中的不同单词进行分类。因此，我需要一个分类器。毫无疑问，有很多。但由于我的特征不是数字特征而是文本特征，而且大多数分类器（如支持向量机（SVM））都输入数字特征，因此我寻找了一些方法将文本特征转换为数字特征。尽管使用术语频率和反向文档频率（TF-IDF）的单词袋概念是用于此目的的通用方法，但我的文本特征之一，即本地上下文，具有固定长度，我想知道是否有可能在不使用TF-IDF的情况下将其转换为数字特征。本地上下文特
为了达到我的目的，我希望将文本特征转换为数字特征，或者使用能够将文本特征作为输入的分类器。有没有人可以帮我…您当然不必将TF-IDF用于单词包（例如，一个简单的计数向量就可以），但它的目的是帮助选择分类中最有用的单词
如果没有更多关于您试图进行何种分类的信息，就有点难以提供帮助，但其他一些方法可能是查看单词周围的n-gram，对周围的单词进行情感分析，或者使用LDA提取单词的主题分布，并将这些向量用作特征。（这些都是将文本数据转换为有用的数字特征的方法——没有真正的分类器处理原始文本。）从本质上说，一袋单词是一个文本的表示形式
要表示一个单词，可以使用一袋字母、字母n-grams或类似的东西。另一个想法是通过查看单词的左右邻域（表示为单词包）对单词进行分类 问题是，我如何列举可能的输入？这是一种罕见的情况，真正“唯一真正的限制是你的想象力”。但一个简单的方法是对可能的排列进行编目，并为每个排列分配一个编号 对于一个非常小的词汇表，您可以为词汇表中每个可能的单词排列分配一个数字。如果你的词汇量是{'bag'，'of'，'words}，你可以指定数字
1 bag of words
2 bag words of
3 of bag words
4 of words bag
5 words bag of
6 words of bag
1 bag
2 of
3 words
001 bag
010 of
100 words