azamkaboutari

سلام دوستان
همانطور که می دونید در اغلب الگوریتم های متن کاوی از قبیل دسته بندی هر سند متنی به صورت کیسه ای از لغات (bag-of-word) نمایش داده می شود و در نهایت این طرز نمایش هم به صورت بردارهای عددی به الگوریتم داده می شود.

منظورم از بردار عددی چیزی مثل مثال زیر است:

lable : برچسب سند
feature i : خصیصه i
wheight i : وزن خصیصه i در سند

هر سه عدد هستند. خصیصه ها در ساده ترین حالت کلمات داخل اسناد و وزن فراوانی هر کدام است.

آیا ابزاری برای تبدیل اسناد متنی انگلیسی که هر کدام یک فایل txt هستند به این فرمت را سراغ دارید.
البته من دو تا ابزار txt2bow و bow toolkit را پیدا کردم. اولی جواب نداد و دومی را هم نتونستم اجرا کنم.