我刚刚开始处理一个分类问题。这是一个二分类问题，我的训练模型（机器学习）需要决定/预测是允许一个URL还是阻止它。

我的问题非常具体。

1. 如何对URL进行分类？我应该使用普通的文本分析方法吗？
2. URL的特征是什么？
3. 如何从URL中选择和提取特征？

回答：

我假设你无法访问URL的内容，因此你只能从URL字符串本身提取特征。否则，使用URL的内容会更有意义。

以下是我会尝试的一些特征。请参阅这篇论文以获取更多想法：

1. URL的所有组成部分。例如，此页面具有以下URL：

   http://stackoverflow.com/questions/26456904/how-to-classify-urls-what-are-urls-features-how-to-select-and-extract-features

在URL的不同部分出现的所有标记对分类应该具有不同的价值。在这种情况下，标记化后的最后一部分为此页面提供了很好的特征。（例如，分类，URL，选择，提取，特征）

 * stackoverflow * com * questions * 26456904 * 如何对URL进行分类URL的特征是什么如何从URL中选择和提取特征

2. URL的长度；
3. n-grams（以下以2-grams为例）
   • stackoverflow-com
   • com-questions
   • questions-26456904
   • 26456904-how
   • how-to
   • ….