ARFF per l'elaborazione del linguaggio naturale

Question

Sto provando a prendere una serie di recensioni e convertirle nel formato ARFF da utilizzare con WEKA. Sfortunatamente o ho completamente frainteso come funziona il formato, o dovrò avere un attributo per TUTTE le parole possibili, quindi un indicatore di presenza. Qualcuno conosce un modo migliore, o idealmente ha un file ARFF di esempio?

Answer 1

voluto un po 'per capire, ma con questo 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 

E questo comando:

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

Di seguito è prodotta:

@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

Se memorizzare le recensioni in file di testo semplice e cartelle diverse (positive e negative nel tuo caso) è possibile utilizzare TextDirectoryLoader.

Lo si trova nell'applicazione KnowledgeFlow in Weka o dalla riga di comando. Maggiori informazioni qui: http://weka.wikispaces.com/ARFF+files+from+Text+Collections