如何在weka中表示分类文本？

Question

请告诉我如何在weka中表示文本分类的属性或类。通过使用什么属性我可以做分类？单词频率还是单词？ ARFF格式可能的结构是什么？你能给我几行结构的例子吗？

非常感谢你。

Answer 1

最简单的替代方法之一是从一个ARFF文件开始，解决两类问题：

@relation corpus 

@attribute text string
@attribute class {pos,neg}

@data
'long text with words ... ',pos

文本表示为String类型，类是带有两个值的名义。

然后你可以应用两个过滤器：

1. StringToWordVector ，将文本转换为单词矢量表示。过滤器使用每个单词的属性。您可以调整参数以选择二进制/频率表示，词干或停用词。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. 重新排序将类属性移动到最后一个位置，Weka认为它在那里。

您可以在此Weka wiki页面中找到更多信息和其他方法来转换您的数据： http://weka.wikispaces.com/Text+categorization+with+WEKA