one-hot是比較常用的文本特征特征提取的方法。
one-hot編碼，又稱“獨熱編碼”。其實就是用N位狀態寄存器編碼N個狀態，每個狀態都有獨立的寄存器位，且這些寄存器位中只有一位有效，說白了就是只能有一個狀態。
下面舉例說明：
有四個樣本，每個樣本有三種特征：
feature1 feature2 feature3
sample1 1 4 3
sample2 2 3 2
sample3 1 2 2
sample4 2 1 1
上圖用十進制數對每種特征進行了編碼，feature1有兩種可能的取值，feature2有4種可能的取值，feature3有3種可能的取值。比如說feature3有3種取值，或者說有3種狀態，那么就用3個狀態位來表示，以保證每個樣本中的每個特征只有1位處於狀態1,其他都是0。
1->001
2->010
3->100
其他的特征也都這么表示：
feature1 feature2 feature3
sample1 01 1000 100
sample2 10 0100 010
sample3 01 0010 010
sample4 10 0001 001
這樣，4個樣本的特征向量就可以這么表示：
sample1 -> [0,1,1,0,0,0,1,0,0]
sample2 -> [1,0,0,1,0,0,0,1,0]
sample3 -> [0,1,0,0,1,0,0,1,0]
sample4 -> [1,0,0,0,0,1,0,0,1]
接下來看看怎么應用one-hot：
one-hot在特征提取上屬於詞袋模型（bag of words），假設語料庫中有三句話：
我愛中國
爸爸媽媽愛我
爸爸媽媽愛中國
首先，將語料庫中的每句話分成單詞，並編號：
1：我 2：愛 3：爸爸 4：媽媽 5：中國
然后，用one-hot對每句話提取特征向量：（圖來源於網絡）
所以最終得到的每句話的特征向量就是：
我愛中國 -> 1，1，0，0，1
爸爸媽媽愛我 -> 1，1，1，1，0
爸爸媽媽愛中國 -> 0，1，1，1，1
那么這樣做的優點和缺點都有什么？
優點：
解決了分類器處理離散數據困難的問題
一定程度上起到了擴展特征的作用（上例中從3擴展到了9）
缺點：
one-hot是一個詞袋模型，不考慮詞與詞之間的順序問題，而在文本中，次的順序是一個很重要的問題
one-hot是基於詞與詞之間相互獨立的情況下的，然而在多數情況中，詞與詞之間應該是相互影響的
one-hot得到的特征是離散的，稀疏的