Question

将爬取下来的网页进行文本分类，去除网页标签得到纯文本，之后为什么要去停用词，分词，怎么把文本表示成

将爬取下来的网页进行文本分类，去除网页标签得到纯文本，之后为什么要去停用词，分词，怎么把文本表示成特征向量进行分类？求解答

Answer 1

得有个字典。按频率摘文本。频率高的提前摘下来，低频词就被拆开了。
去停用词 我猜是去掉停用词。就是有些词不需要计算。
特征向量。不懂，
分类。通过统计已经分类的关键词文档集合应该可以得出关键词频率。
那么被分类文档如果关键词频率与该集合相似就可以归入该类了。