我正在研究推文上的文本分类问题。目前我只考虑将推文的内容作为信息来源，并且我使用了一个简单的词袋方法，使用词频作为特征，使用随机森林（这是我无法改变的）。
现在我的想法是尝试合并推文中使用的 URL 中存在的信息。现在，并非所有推文都有 URL，如果我决定对 URL 也使用相同的词频表示，我将仅从 URL 获得大量特征。出于这个原因，我认为拥有一组同时包含推文词频和 URL 词频的特征可能很糟糕。此外，对于没有 URL 的推文，我必须为 URL 特征填充一些不可能的值（如 -1），并且我可能会恶化这条推文的分类，因为我将拥有大量无信息的特征。
您对这个问题有什么建议吗？
您使用的是原始词频还是 TF-IDF？
也许您可以简单地将推文中的术语与 URL 链接页面中的术语（如果有）组合成一个词袋，计算 TF-IDF，并进行规范化以避免偏向较长的文档（即那些包含 URL 的推文链接）。
如果我决定对 URL 也使用相同的词频表示，我将仅从 URL 获得大量功能
我不明白你在这里的意思。你的特征不是你的词袋里的术语吗？因此，功能的数量将取决于您的词汇量，我想无论您是否包含 URL，它都不会发生太大变化。
此外，对于没有 URL 的推文，我必须为 URL 特征填充一些不可能的值（如 -1），并且我可能会恶化这条推文的分类，因为我将拥有大量无信息的特征。
这个我也不明白。术语-文档矩阵实际上总是一个稀疏矩阵，因为您的词汇表中的大多数术语不会出现在您的大多数文档中。所以，你的 TDM 中的绝大多数值都是 0。我不知道你从哪里得到 -1。