选择合适的特征和模型进行跨语言迁移学习是非常重要的，以下是一些指导原则：

  1. 特征选择：选择用于表示文本的特征是跨语言迁移学习的核心问题。有一些通用的特征可以在多种语言中共享，比如词向量、字向量和句子向量。这些特征可以通过预训练的模型（如Word2Vec、GloVe和BERT等）获得。在选择特征时，要考虑到源语言和目标语言之间的语言差异和相似性。

  2. 翻译与对齐：在进行跨语言迁移学习之前，需要将源语言和目标语言的数据进行翻译和对齐。这可以通过机器翻译模型或者双语词典等方法来实现。翻译和对齐的准确性对于模型的迁移效果有很大的影响，因此需要选择高质量的翻译和对齐工具。

  3. 模型选择：选择适合跨语言迁移学习的模型也是非常重要的。一些常用的模型包括多层感知机（MLP）、支持向量机（SVM）、随机森林（Random Forest）、循环神经网络（RNN）和卷积神经网络（CNN）等。在选择模型时，要考虑到模型的表达能力和泛化能力，以及源语言和目标语言之间的数据分布差异。

  4. 预训练模型和迁移学习：如果有大规模的预训练模型可以使用，可以考虑使用预训练模型进行跨语言迁移学习。预训练模型可以提供丰富的语义信息和上下文信息，从而提高模型的泛化能力。同时，可以使用迁移学习的技术，将源语言的知识迁移到目标语言上。例如，可以使用先在源语言上进行预训练的模型，然后微调到目标语言的任务。

  综上所述，选择合适的特征和模型进行跨语言迁移学习需要考虑到语言差异和相似性、翻译和对齐的准确性、模型的表达能力和泛化能力，以及是否有预训练模型和迁移学习的需求。这需要根据具体的任务和数据来进行选择和调整。