我们向客户提供了许多反馈和问题报告。它们是纯文本。我们正在尝试为这些文档构建自动分类器，以便未来反馈/问题可以自动路由到正确的支持团队。除了文本本身，我认为我们应该将客户档案，案例提交区域等内容纳入分类器。我认为这可以为分类器提供更多线索，以便做出更好的预测。
目前，为培训选择的所有功能都基于文本内容。如何包含上述元功能？
（顺便说一句，我是新手。如果这个问题很简单，那么请原谅。）
我目前的做法是首先对原始文本（包括标题和正文）进行一些典型的预处理，例如删除停用词，POS标记和提取重要单词。然后我将标题和正文转换为单词列表，并以稀疏格式存储它们，如下所示：
实例1：word1：word1计数，word2：word2计数，....
实例2：wordX：word1计数，wordY：word2计数，....
对于其他非文本功能，我打算将它们添加为单词列之后的新列。所以最终的例子如下：
实例1：word1：word1计数，...，特征X：值，特征Y：值
答案 0 :(得分：5)
如果costomer简档数据是二进制值（例如，客户的性别），则该特征可以设想为0,1，其中0表示男性，1表示女性。当该要素具有多个值时，例如提交区域（假设我们这里有五个区域）。我们应该将它设计为具有五个维度的特征向量，例如[0 0 1 0 0]，来自向量的每个维度表示该帖子是否来自该特定区域。这种方式在实践中更好，而不是在使用像逻辑回归这样的分类器时使用具有多个值的特征
您正在使用名为bag of words表示的功能。因为词袋是文档中单词的tf，但是具有较高tf的单词应该比具有较低tf的单词更重要。我认为不是。在实践中，tf * idf表现出更好的表现。
idf（逆文档频率）是一种估计单词重要程度的方法，通常，文档频率（df）是评估单词在分类中的重要程度的好方法，因为单词出现在单词中时较少的文件（nba总是出现在属于体育的文件中）显示出更好的解释，因此idf与词的重要性正相关。
答案 1 :(得分：4)
简单地将新功能连接到矢量以表示您认为重要的其他内容。分类变量（那些是'a'或'b'或'c'）可以转换为n路变量的n个二进制特征。二进制或连续的可以保持不变。
然后，您所要做的就是标准化您的功能，以确保某些功能的权重不会高于其他功能，并将它们输入分类器。判别模型是最合适的，因为您将添加许多潜在相关的功能：逻辑回归或SVM可能会运作良好。