两个月亮

数据集的获取及使用，特征工程，TF-IDF ，scikit-learn，字典特征提取，文本特征提取

相比英语等语言，用中文写成的文章往往更难分词。英语文章可以用空格来进行单次的区分，而中文词组则连成一片。让机器将中文词组分离的难度远大于在文言文分词题挣扎的我们，而Python的第三方库jieba就是用来处理这个问题的，让机器也能分离中文词组。相比于其他免费中文分词库，jieba是更加成熟的。像是公司名，地名，这类词也能够被jieba识别出来。新词的含义是指在训练jieba时，没有出现在数据集中的词。新词识别基于Viterbi算法。开发者可以指定自己自定义的词典，以便包含jieba词库里没有的词。