C++ 的词袋方法/工具/库？

Question

我有一个文件夹，其中包含旅游评论 .txt 中的许多文档。我想使用词袋方法将它们转换为 C++ 中机器学习的某种数字表示（潜在狄利克雷分配 - LDA），以训练系统识别每个文档的主题。

但不知何故，我不知道如何处理 Bag of Word 算法，而且我听说过一些工具，例如 Scikit-learn。但是 Scikit-learn 在 python 环境中工作。我想知道，是否有一些推荐工具/库可以帮助我解决我的词袋模块？或者是否有 C++ 的 scikit-learn 的 C++ 包装器？

我已经到了不知道该怎么做的水平，不胜感激。谢谢你:)

Answer 1

嗯……编码应该很容易吧？

最愚蠢但保证有效的方法是对所有文档进行两次迭代。在第一次迭代期间，创建单词的哈希图和唯一索引（类似于 HashMap 的结构），在第二次迭代期间，您进行表查找并打印单词的索引以创建数据的数字表示。

如果你想要一个词袋表示，在第二次迭代中，你可以在每次看到一个新文档时创建一个哈希图（HashMap），并增加每个词索引的计数，一旦你到达一个文件，你读出计数，然后打印出来。

Answer 2

对于 C++，您可以 take a look at these resources。