如何根据元数据将电影多标签分类到电影节，其中元数据主要是单个单词？

Question

我已经创建了过去几年制作的各种电影的数据集，技术人员为电影、类型、它所代表的国家、运行时间、语言、电影赢得的各个电影节工作，等等

数据集类似于this，它是一个excel文件

我感兴趣的是根据电影的固有特征（无论情节如何）将电影多标签分类到电影节

我认为我们需要使用数字/向量来对数据进行多标签分类。但是，我不知道如何实现名称（专有名词）的矢量化和几个单独的单词

是否有其他方法可以执行此过程，以实现使用上述数据进行多标签分类的目标？请帮我确认一下。多谢各位

Answer 1

这里的数据集是表格数据。您需要对表格数据进行矢量化，以便能够将其传递给分类模型

表格数据通常由以下内容组成：

1. 连续功能（例如：imdb评级、运行时）
2. 分类特征（例如：数据集中的所有其他特征）

表格数据的矢量化只是每个特征的矢量表示的串联。 对于连续要素，应将值标准化。对于分类功能，您应该对其进行热编码

注意： 对于您的数据集，您有3个“类似文本”的功能：标题、导演和作者：

• 片名：片名是其电影独有的，因此您的模型无法从中学习到任何东西，因此您应该从数据集中丢弃它
• 导演和作者：你应该把它们当作分类变量，而不是文本。如果您使用文本矢量化技术（单词包或TF-IDF）对它们进行编码，这意味着您假设像Pedro这样的单词可以具有预测能力。佩德罗·冈萨雷斯·卢比奥和佩德罗·阿尔莫多瓦之间有共同点吗？如果有的话，也许他们都会说西班牙语，但我更愿意将其作为一项功能添加到您的模型中（例如：language_of_director）