ARFF для обработки естественного языка

Question

Я пытаюсь взять ряд обзоров и преобразовать их в формат ARFF для использования с WEKA. К сожалению, я полностью неправильно понимаю, как работает формат, или мне придется иметь атрибут для ВСЕХ возможных слов, а затем индикатор присутствия. Кто-нибудь знает лучший способ или в идеале имеет образец файла ARFF?

Answer 1

Потребовалось время, чтобы работать, но с этим input.arff:

@relation text_files 

@attribute review string 
@attribute sentiment {0, 1} 

@data 
"this is some text", 1 
"this is some more text", 1 
"different stuff", 0 

И эта команда:

java -classpath "C:\\Program Files\\Weka-3-6\\weka.jar" weka.filters.unsupervised.attribute.StringToWordVector -i input.arff -o output.arff 

производится следующим образом:

@relation 'text_files-weka.filters.unsupervised.attribute.StringToWordVector-R1-W1000-prune-rate-1.0-N0-stemmerweka.core.stemmers.NullStemmer-M1-tokenizerweka.core.tokenizers.WordTokenizer -delimiters \" \\r\\n\\t.,;:\\\'\\\"()?!\"' 

@attribute sentiment {0,1} 
@attribute different numeric 
@attribute is numeric 
@attribute more numeric 
@attribute some numeric 
@attribute stuff numeric 
@attribute text numeric 
@attribute this numeric 

@data 

{0 1,2 1,4 1,6 1,7 1} 
{0 1,2 1,3 1,4 1,6 1,7 1} 
{1 1,5 1} 

Answer 2

Если вы хранить отзывы в текстовых файлах и разных папках (положительный и отрицательный в вашем случае), вы можете использовать TextDirectoryLoader.

Вы найдете это в приложении KnowledgeFlow в Weka или из командной строки. Дополнительная информация здесь: http://weka.wikispaces.com/ARFF+files+from+Text+Collections