為了使用機器學習方法處理文字資料，需要找到適合的文字表示形式，對於傳統機器學習方法而言，常用的一種表示方法是將文件轉換為文件-詞項矩陣（document term matrix）。具體就是將多篇文件轉換為資料幀（dataframe），其中：
每個行標籤代表一個文件（document），相當於一個例項或一個樣本。
每個列標籤代表一個詞項（term），相當於屬性或特徵，每個單元格中的資料也就相當於特徵值。

因此，如果選擇文件-詞項矩陣來表示文字資料，那麼文字特徵提取所要解決的主要問題就有以下兩個：
1、提取哪些詞項？？即提取哪些特徵？？
2、選擇哪種型別的特徵值？？

一 提取哪些詞項（特徵）？

根據待解決任務的不同，可以考慮的方法有以下幾種：

• 每個詞都作為一個特徵，可以當作一個baseline
• 詞幹化（或者稱為規範化，例如kick, kicked, kicking - 規範化為’kick’）
• 去停詞，去掉一些分類能力差的詞（例如a，is）
• 可以對一些文字打標籤，例如four 可以被表示成 [four, numeric] ，以此表示這是一 類特殊形式的詞語。
• 一個詞項不一定是一個單詞，也可以是多個（bi-gram，tri-grams）
• 可以同時進行一些語法/句法的處理，例如對詞性進行標註
• 命名實體可以進行標註

二 選擇哪種型別的特徵值？？

常見的有：
- 詞頻
- tf-idf