我正在使用词袋模型进行文本分类。结果不够理想，测试集的准确率低于70%。

我正在考虑使用词性标注来区分词语的功能。该如何进行呢？

我考虑将标签附加到词语上，例如，对于“love”这个词，如果它作为名词使用，可以这样标注：

love_noun

如果它作为动词使用，可以这样标注：

love_verb

回答：

如果您有数百个类别，测试集的准确率接近70%并不算差。您可能需要测量整体精确度和召回率，而不仅仅是准确率。

您提出的方法听起来不错，这是一种通过添加特征组合来增加额外特征的方法。这里有一些建议：

保留原始特征。也就是说，不要用love_noun或love_verb替换love。相反，您可以从love获得两个特征：

love, love_noun (或) love, love_verb

如果您需要一些示例代码，可以从nltk Python包开始。

>>> from nltk import pos_tag, word_tokenize>>> pos_tag(word_tokenize("Love is a lovely thing"))[('Love', 'NNP'), ('is', 'VBZ'), ('a', 'DT'), ('lovely', 'JJ'), ('thing', 'NN')]

考虑使用n-gram，或许可以从添加2-gram开始。例如，您可能有“in”和“stock”，您可能只会删除“in”，因为它是一个停用词。如果您考虑2-gram，您将得到一个新特征：

in-stock

这与“stock”具有不同的含义。在某些情况下，这可能会非常有帮助，例如，区分“finance”和“shopping”。