我在对包含多句话的评论（段落）进行分类。我使用Weka中的libSVM通过词袋模型对它们进行了分类。然而，我有另一个想法，但不知道如何实现：

我认为为评论中的每句话创建基于句法和浅层语义的特征值得一试。然而，由于段落中的句子数量不固定，我找不到任何方法来按顺序编码这些特征。我希望保持这些特征的顺序，因为句子特征的顺序可能为分类提供更好的线索。例如，如果我有两个实例P1（包含3句话）和P2（包含2句话），我会有一个这样的空间（假设每句话有一个二进制特征a或b）：

P1 -> a b b /classXP2 -> b a /classY

所以，我的疑问是，是否可以在特征空间中实现不同特征大小的分类？如果可以，在Weka、scikit-learn或Mallet中是否有我可以使用的分类器？我非常感谢任何回应。

谢谢

回答：

无论实现方式如何，标准核（线性、多项式、RBF）的SVM需要固定长度的特征向量。你可以通过布尔编码在这些特征向量中编码任何信息；例如，收集语料库中出现的所有句法/语义特征，然后引入布尔值来表示“某某特征在此文档中出现”。如果需要捕捉这些特征在多句话中出现的事实，可以计算它们的频率并将频率放入特征向量中（但要确保按文档长度对频率进行归一化，因为SVM不具备尺度不变性）。