在NLP模型中，常用的特征工程包括以下几种：

  1. 词袋模型（Bag of Words）：将文本转化为词汇表中的单词的频率向量。这种方法忽略了单词之间的顺序信息，但在文本分类等任务中经常被使用。

  2. TF-IDF（Term Frequency-Inverse Document Frequency）：对于词袋模型的改进，除了考虑文本中的单词频率外，还考虑到了单词在整个语料库中的重要性。常用于文本分类和信息检索任务。

  3. Word Embeddings（词嵌入）：将单词映射到一个低维度的连续向量空间中，以便捕捉单词之间的语义关系。常用的词嵌入模型有Word2Vec、GloVe和FastText。

  4. N-grams：将文本切分为连续的N个字或词的序列，用于捕捉短语的信息。常用于语言模型和文本分类任务。

  5. 文本预处理：包括去除停用词、标点符号和特殊字符，进行词干化或词形归一化等。常用的预处理技术有去除停用词、词干化和词形归一化。

  6. 其他特征抽取方法：如词性标注、命名实体识别、句法依存关系等。这些方法可以提供更丰富的信息，并用于各种NLP任务，如命名实体识别、关系抽取和句法分析。

  以上是NLP中常用的一些特征工程方法，根据具体的任务和数据集的特点，可以选择适合的方法或进行组合使用。不同的特征工程方法对于不同的问题有不同的效果，所以根据具体情况选择合适的特征工程方法对模型的性能至关重要。