特征工程核心是将语言模糊性转化为模型可稳定理解的数值结构，关键在语义粒度、稀疏性与任务目标的精准控制；需重视清洗、分词归一化、适配任务的向量化、结构化特征补充及稀疏降维。
文本处理中特征工程的核心，不是 堆砌模型，而是把语言的模糊性转化成模型能稳定理解的数值结构。关键不在“多”，而在“准”——准确定义语义粒度、准确控制稀疏性、准确对齐下游任务目标。
分词与归一化：别跳过清洗，先守住底线
中文无天然空格，英文大小写、标点、缩写混杂，不统一就等于喂错数据。分词不能只用 jieba 或 NLTK 默认切分，要结合业务调整：
- 领域专有名词需强制保留（如“bert-base”“iot设备”加进自定义词典）
- 数字、邮箱、URL 统一替换为占位符（NUM、EMaiL、URL），避免噪声干扰向量空间
- 全角转半角、小写化、去多余空白——看似琐碎，但影响 TF-IDF 权重和相似度计算稳定性
向量化：根据数据规模和任务选“轻重”方案
不是所有任务都需要 BERT 嵌入。小样本分类、规则可解释场景，传统方法更稳更快：
- 词袋（BoW）+ TF-IDF：适合短文本分类（如客服工单意图识别），配合 n -gram= 2 能捕获部分搭配（“不能登录”比单字“不能”“登录”更有判别力）
- 预训练词向量平均（如word2Vec、FastText）：适合中等长度文本，对 OOV 词用子词（subword）回退，比 BoW 保留更多语义
- 句向量微调（Sentence-BERT、SimCSE）：仅当任务强依赖句子级语义（如语义检索、聚类），且有标注数据支撑微调时启用
结构化特征补充：让纯文本“长出上下文锚点”
纯词向量容易忽略文本的“非语言信号”。加入可控结构特征，常带来显著提升：
- 文本长度、平均词长、标点密度（感叹号 / 问号占比）、大写字母比例（反映正式程度）
- 关键词命中数（如 金融 文本中“逾期”“违约”“催收”是否出现）——用正则或 AC 自动机构建高效匹配
- 情感极性得分（用 SnowNLP 或 finBERT 抽提）+ 主题分布（LDA 前 5 主题概率）——作为辅助维度拼接到向量后
稀疏控制与降维：高维≠高性能，留够泛化余地
TF-IDF 动辄上万维，直接输入模型易过拟合，尤其训练样本少于 1000 条时：
- 先用 max_features=5000 截断低频词（DF0.95 的全去掉）
- 再对稀疏矩阵做 TruncatedSVD（非 PCA），保留 200–500 维，保持语义方向性
- 若后续接树模型（XGBoost/LightGBM），可改用 feature hashing（HashingVectorizer）+ 单独训练类别 编码 器，内存友好且抗新词冲击
基本上就这些。特征工程不是一步到位的工序，而是和模型验证反复对齐的过程——每次加一个特征，必须看它在验证集上的 ΔF1 或 AUC 是否真实有效。不复杂但容易忽略。
