我在使用LibSVM对书面文本进行分类（性别分类）。

我遇到了一些问题，不明白如何创建具有多个特征的LibSVM训练数据。

LibSVM中的训练数据构建如下：

label index1:value1 index2:value2 

假设我想使用以下特征：

• Top_k单词：按标签使用最多的k个单词
• Top_k二元组：最常用的k个二元组

例如，计数可能会如下所示：

               Word count             Bigram count         |-----|-----------|         |-----|-----------|         |word |   counts  |         |bigra|   counts  |         |-----|-----|-----|         |-----|-----|-----|  index  |text | +1  | -1  |  index  |text | +1  | -1  |         |-----|-----|-----|         |-----|-----|-----|      1  |this | 3   | 3   |      4  |bi   | 6   | 2   |      2  |forum| 1   | 0   |      5  |gr   | 10  | 3   |      3  |is   | 10  | 12  |      6  |am   | 8   | 10  |         |...  | ..  | ..  |         |..   | ..  | ..  |         |-----|-----|-----|         |-----|-----|-----|

假设k = 2，一个训练实例会是这样的吗？（计数与之前无关）

Label Top_kWords1:33 Top_kWords2:27 Top_kBigrams1:30 Top_kBigrams2:25

还是像这样（特征混合时是否有影响）？

Label Top_kWords1:33 Top_kBigrams1:30 Top_kWords2:27  Top_kBigrams2:25

我只想知道多个不同特征的特征向量是什么样的，以及如何构建它。

编辑：

根据上面的更新表格，这样的训练数据正确吗？

示例

 1 1:3 2:1 3:10 4:6 5:10 6:8-1 1:3 2:0 3:12 4:2 5:3  6:10 

回答：

libSVM的表示是纯粹数字的，因此

label index1:value1 index2:value2 

意味着每个“标签”、“索引”和“值”都必须是数字。在你的情况下，你需要为你的特征编号，例如

 1 1:23 2:47 3:0 4:1

如果某些特征的值为0，你可以省略它

 1 1:23 2:47 4:1

记得要按递增顺序排列特征。

一般来说，libSVM不是为处理文本设计的，我不建议你这样做——而是使用一些已经存在的库，这些库可以轻松处理文本并封装了libsvm（例如NLTK或scikit-learn）