本篇，带你简略了解如何使用keras.textvectorization来处理词袋模型（tfidf）计算
1、替换：如果发现以下内容实现存在障碍，请替换方法：适用sklearn来计算tf-idf，sklearn里也有包装比较好的各类如tfidfVectorize等模块方法，通过fit-transform来实现
2、keras.textvectorization的区别及优点：
2.1--------
更与神经网络建模搭边儿，意思这坨东西（可以形成类似于sklearn里的pipeline的流程的一个step）可以放在keras的模型如sequencial等自行包装
2.2--------
也意味着它计算出的东西是tensorflow家族的张量
2.3--------
既然张量，那么存在gpu加速计算的契机
3、建模场景下的思维梳理
3.1、说明：3.2会描述在完整一套建模demo里，它整个一坨应该放在哪里
3.2：步骤：
3.2.1、假设你有一份data，并作必要清理加工
3.2.2、你的data中有一列，比如叫news，data['new'] 这一列选定为计算tfidf的目标文本列
3.2.3、将data['news'] 变换到 data['news_keras_style']，这一步的意思是，你需要将数据变换一定程度，以符合喂入keras.text_vectorization前的样子（具体什么样子?别急，之后说）
3.2.4、此时，配置好keras.t
标签：--------,keras,3.2,textvectorization,idf,news,data From： https://blog.csdn.net/TommyDATA/article/details/142098691