java - 如何在 weka 中表示用于分类的文本？

Question

能否请您告诉我如何在 weka 中表示文本分类的属性或类。我可以使用什么属性进行分类？单词频率还是单词？ ARFF 格式的可能结构是什么？你能给我几行这种结构的例子吗？

非常感谢您。

Answer 1

最简单的替代方法之一是从 ARFF 文件开始解决二类问题，例如:

@relation corpus @attribute text string@attribute class {pos,neg}@data'long text with words ... ',pos

文本表示为 String 类型，类是具有两个值的标称值。

然后你可以应用两个过滤器:

1. StringToWordVector 将文本转换为词 vector 表示。过滤器为每个词使用一个属性。您可以调整参数以选择二进制/频率表示、词干提取或停用词。最佳表示取决于问题。如果文本不长，通常二进制表示就足够了。
2. Reorder 将类属性移动到最后一个位置，Weka 假定它在那里。

您可以在这个 Weka wiki 页面中找到更多信息和其他转换数据的方法: http://weka.wikispaces.com/Text+categorization+with+WEKA