我很难理解建立一个词袋的过程。这将是多类分类监督机器学习问题，其中网页或一段文本被分配给来自多个预定义类别的一个类别。现在，在为特定类别（例如，数学＆＃39;）构建一个单词包时，我熟悉的方法是收集大量与Math相关的网页。从那里，我将执行一些数据处理（例如删除停用词和执行TF-IDF）以获得类别＆＃39;数学＆＃39;
的词袋。问题：我想到的另一种方法是在谷歌中搜索类似“与数学相关的术语列表”的内容。建立我的口袋。我想问这个方法是否还可以？
另一个问题：在这个问题的背景下，词袋和语料库是否意味着同样的事情？
提前谢谢！
答案 0 :(得分：0)
这不是什么词包。词袋是描述表示给定文档的特定方式的术语。即，文档（段落，句子，网页）表示为形式的映射
word: how many times this word is present in a document
请注意，这是不关于＆＃34;为类别创建一个单词＆＃34;。在典型的监督学习中，类别将由多个文档组成，并且每个文档独立都表示为一个单词包。
特别是这会使您向谷歌询问与类别相关的单词的最终提议无效 - 这不是ML方法的典型工作方式。您可以获得大量文档，将它们表示为单词（或其他内容），然后执行统计分析（构建模型）以找出区分类别的最佳规则集。这些规则通常不会简单＆＃34;如果单词X存在，则与Y＆＃34;相关。