1.词袋模型(Bag of words)和N-gram模型: 词袋模型的主要思想是将文本类型的样本用一个向量来表示,向量的长度一般为所有样本的单词种类数。每个维度值代表了对应的单词在此样本中的重要程度。有两种方式确定向量的每个维度值:用此样本中每个单词对应个数填充,没有对应单词用0填充;TF-IDF(Term-Frequency-Inverse Document Frequency). TF(t)指个对应单词t在此文档中(d)出现的频率;IDF(t)用来衡量单词t对表达语义所起的重要性。 I D F ( t ) = log n u m d