稀疏 ARFF 文件的 Weka 字符串属性

Question

我正在尝试使用 Weka 进行文本分类。 为此，使用稀疏 ARFF 数据文件格式是有意义的。 使用 Weka 3.7.2，我尝试了：

1. 使用以下方法将文本目录转换为 Instances 对象 TextDirectoryLoader。
2. 使用StringToWordVector将前一阶段产生的字符串转换为数字。

第一阶段运行良好。第二阶段导致了一个问题，在 Weka's ARFF file format specification:

警告：从具有字符串属性的数据集中保存 SparseInstance 对象存在一个已知问题。在 Weka 中，字符串和名义数据值存储为数字；这些数字充当可能属性值数组的索引（这非常有效）。但是，第一个字符串值被分配索引 0：这意味着，在内部，这个值被存储为 0。当写入 SparseInstance 时，内部值为 0 的字符串实例不会输出，因此它们的字符串值会丢失（并且当再次读取arff文件，默认值0是不同字符串值的索引，所以属性值出现变化）。

ARFF 格式建议采用这种解决方案：

要解决此问题，请在索引 0 处添加一个虚拟字符串值，当您声明可能在 SparseInstance 对象中使用并保存为 Sparse ARFF 文件的字符串属性时，该值永远不会使用。

我正在尝试这样做 - 添加一个虚拟字符串。我未能手动执行此操作（通过编辑 ARFF 文件）。任何做过这件事的人都可以发布一个例子 - 执行此操作的程序段、正确修改的 ARFF 文件或其他方式执行此操作？

谢谢。

Answer 1

不要直接编辑 arff 文件。

我刚刚在这里回答了一个类似的问题： Weka printing sparse arff file

使用相同的代码示例。