如何串联两个TF-IDF向量以及可以输入模型的其他特征？

如何解决如何串联两个TF-IDF向量以及可以输入模型的其他特征？

我发现适用于我的情况的解决方案如下。希望这对某人有帮助。 如何将由sklearn创建的TF-IDF的输出连接起来，以传递到Keras模型或张量中，然后可以将其输入到密集神经网络中？我正在研究FakeNewsChallenge数据集。任何指导都会有所帮助。

FakeNewsChallenge数据集是这样的：

训练集-[标题，正文，标签]

• 训练集分为两个不同的CSV（train_bodies，train_stances），并通过BodyID链接。
• train_bodies-[正文ID（数字），articleBody（文本）]
• train_stances-[标题（文本），Body ID（数字），姿态（文本）]

测试集-[标题，正文]

• 测试集分为两个不同的CSV（test_stances_inlabled，test_bodies）
• Test_bodies-[Body ID，aritcleBody]
• Test_stances_unlabled-[标题，正文ID]

分发使它变得极其困难：

• 行-49972
• 不相关-0.73131
• 讨论-0.17828
• 同意-0.076012
• 不同意-0.0168094

立场-[不相关，讨论，同意，不同意]

---

我想做的是连接两个单独的TF-IDF向量以及其他特征，然后我可以将它们馈送到某个层，例如密集层。你会怎么做？我

解决方法

在我之前有一条评论回答了问题，但我不再看到该评论。我显然忘记了这种方法，但是在程序的其他区域中使用了它。

您使用numpy.hstack（tup）或numpy.vstack（tup），其中

• tup-ndarray的序列

  除了第二个轴外，所有阵列的形状都必须相同，但一维阵列可以是任意长度。

它返回一个堆叠的ndarray。

这是一些代码，以防万一。

注意：这里没有余弦相似度计算。随便你怎么做。我正在尝试快速执行此操作，但也要尽可能清晰。希望这对某人有帮助。

---

def computeTF_IDF(trainX1,trainX2,testX1,testX2):
 vectorX1 = TfidfVectorizer(....)
 tfidfX1 = vectorX1.fit_Trasnsform(trainX1)

 vectorX2 = TfidfVectorizer(....)
 tfidfX2 = vectorX2.fit_Trasnsform(trainX2)

 tfidf_testX1= vec_body.transform(testX1)
 tfidf_testX2 = vec_headline.transform(testX2)
 
 # Optionally,you can insert code from * to ** here from below.

 return vectorX1,tfidfX1,...,tfidf_testX1,tfidf_testX2

# Call TF-IDF function to compute.
trainX1_tfidf,trainX2_tfidf,testX1_tfidf,testX2_tfidf = computeTFIDF(trainX1,testX2)

#*

# Stack matrices horizontally (column wise) using hstack().
trainX_tfidf = scipy.sparse.hstack([trainX1_tfidf,trainX2_tfidf])
testX_tfidf = scipy.sparse.hstack([testX1_tfidf,testX2_tfidf])

# Convert Spare Matrix into an Array using toarray() 
trainX_tfidf_arr = trainX_tfidf.toarray()
testX_tfidf_arr = testX_tfidf.toarray()

# Concatenate TF-IDF and Cosine Similarity using numpy.c_[],# which is just another column stack.
trainX_tfidf_cos = np.c_[trainX_tfidf_arr,cosine_similarity]
testX_tfidf_cos = np.c_[testX_tfidf_arr,cosine_similarity_test]

#**

# You can now pass this to your Keras model.