我正在尝试使用SVM来解决一个文本分类问题。我找到了一个名为SVM light的SVM实现及其衍生版本SVM multiclass（用于超过两个类别的分类问题）。然而，我实在无法理解用于训练和测试分类器的文件格式。我明白我需要创建一个特征向量（假设我将文档中的每个词作为一个特征），然后对于每个文档，我必须指定它的类别、它包含的特征（实际上是特征向量中特征的索引）以及一个特征值来创建训练文件。我对这个“特征值”感到困惑。它可能是什么？是该特征在文档中的计数吗？还是其他什么？网站上的示例训练文件中的特征值不是整数，这表明特征值不是频率。

另外，我想知道是否有某种工具/软件可以从简单的文档中创建这个训练文件。我通常使用Java；所以Java中的某个包来做这件事对我来说也足够了。我尝试在Google上搜索，但没有找到任何相关的内容。

我还想知道是否有其他更好的方法使用SVM进行文本分类。

在这方面，任何帮助都将不胜感激。

回答：

可以使用简单的二进制特征（单词是否出现？），或者简单的计数。但你可能希望通过对计数取对数来缩放简单的计数（更频繁的词更重要，但一个词出现10次并不比出现一次重要10倍）。

你还可以考虑词在所有文档中的出现频率来加权计数（即使单词the在文档中很频繁，但由于它在一般情况下也很常见，所以它并不能真正说明文档的特点）。可以参考tf-idf。

SVM是正确的选择吗？我认为找到正确的特征比确切的算法更重要，尤其是在早期阶段。