matlab - matlab中元胞数组的分类

Question

我想对新闻数据集进行文本分类。我有很多功能，例如 subject、keyword、summary 等...所有这些功能都存储在一个结构元胞数组中，每个结构如下所示:

       label: 'misc.forsale'
        subj: ' Motorcycle wanted.'
     keyword: [1x190 char]
   reference: []
organization: ' Worcester Polytechnic Institute'
        from: ' kedz@bigwpi.WPI.EDU (John Kedziora)'
     summary: []
       lines: ' 11'
       vocab: [4x2 double]

我想用 class = recognize(test, train, target, 'diaglinear'); 对它们进行分类
但是这些函数只接收数组作为输入，不接受单元格或结构体。

我无法将此元胞数组转换为一个多维数组，因为特征数量各不相同(例如，一个主题有两个单词，另一个主题有三个单词)。

我能做什么？

Answer 1

首先进行一些特征提取。例如，对字符串进行标记，然后使用 TF-IDF。

您可以将 key 包含在 token 中。这是信息检索中的常见做法。有关示例，请参阅 Xapian 手册。

通常，您会进行一些词干提取，例如示例 -> example。现在，只需添加一个前缀即可根据单词的出现情况来区分它们。例如。当主题包含 example 时，使用 Sexampl ；当主题包含 example 时，使用 Kexampl ，当它是关键字时。

然后你就有了一个到处都在使用的“词袋”表示形式。他们甚至这样做是为了挖掘图像，这被称为“视觉词”。这些也不是英语单词。