假设我得到了带有以下标题的数据集：id、query、product_title、product_description、brand、color、relevance。
其中只有id和relevance是数值格式，其余字段都包含文字和数字。Relevance表示产品相对于给定查询的相关性或排名。例如，query = “abc” 和 product_title = “product_x” –> relevance = “2.3”
在训练集中，所有这些字段都有填写，但在测试集中，relevance没有给出，我需要通过一些机器学习算法来找出这个值。我在确定应该使用哪些特征时遇到了问题？例如，我应该在这里使用TF-IDF。除了TF-IDF之外，我还能从这些数据集中提取哪些其他特征？
此外，如果你能推荐一些关于“特征提取”主题的书籍/资源，那将非常棒。我在这一阶段总是感到困扰。提前感谢。
回答：
我认为没有哪本书能直接给你需要的答案，因为特征提取阶段直接与要解决的问题和现有数据相关，你能找到的唯一建议就是创建能够描述你所拥有数据的特征。过去我在处理类似你的问题时使用过的一些特征包括：
- 查询词在产品标题中的数量。
- 查询词在产品描述中的数量。
- n-gram计数
- tf-idf
- 余弦相似度
所有这些都在进行了一些预处理之后，比如将所有文本转换为大写（或小写）、词干提取、标准词典规范化。
再次强调，这取决于问题和数据，你不会找到直接的答案，这就像提出一个问题：“我需要开发一个产品销售系统，我该怎么做？有书籍推荐吗？”你会找到关于编程和软件工程的书籍，但不会找到关于开发你特定系统的书籍，你需要使用一般的知识和创造力来构思你的解决方案。
