問題發現： 本次案例為工作中遇到的實際問題，在語音識別中的語料準備部分，需要從網絡中爬取相當數量的相關文本，其中發現爬取到了一些不相關的內容，如何把這些不相關的內容剔除掉成為筆者需要思考的問題。 初步思考： 遇到此問題筆者第一時間考慮是將文本分詞后向量化，使用聚類看一下分布情況，然而發現在不同訓練集中，訓練樣本變化時，向量隨之變化，在測試集中表現一般，在實測中幾乎無用。于是想到向量化的方法問題，使用sklearn CountVectorizer方法進行向量化，僅僅是將所有詞頻無序的向量化，看到另外博文時，發現應該先將目標主題的文本進行詞頻統計，將統計結果當做向量化模板，實測發現效果不錯，現將此方法分享給大家