我正在研究与我感兴趣的主题相关的网页二进制分类。我想分类网页是否属于某个类别。我手动标记了包含2个类别positive和negative的数据集。但是，我在这里关注的是当我看到每个类别的词袋时，功能非常相似。 positive和negative网页确实非常接近（内容明智）。
更多信息 - 内容是英文，我们也在删除停用词。
我该如何完成这项任务？是否有可以应用于此问题的不同方法？ 谢谢！
答案 0 :(得分：1)
您可以使用成对的连续单词而不是单个单词（成对单词包）。希望是这对单词可以更好地捕捉您所追求的概念。接下来可能会出现三连词。问题在于维度非常高（N ^ 2）。如果你无法负担，那么一个想法就是使用散列技巧（检查关于随机投影/散列的文献）对词对进行约束维度。