这个问题很有意思，之前遇到过。话说这个取决于你用什么样的方法。通常来说，如果你用bayesian nonparametric的模型处理这样的问题，会灵活一些，但是相关的理论比较复杂。svm显然不具备这样的条件，但是如果你的training sample质量还不错，那么这种情况应该不是很常见的，这种情况下，最简单的办法是直接忽略。因为通常在nlp的时候，你的dictionary应该是很大，而之前在training的过程中，没有提供过这样的feature的信息，所以即使你不忽略，也不会有太大的不同，而且nlp一般的原则是，在预处理时删除出现频率较小的词，因此即使你假设这个新的feature曾经出现过，也会被删除，所以忽略之还是合理的。另外一种可能，你在建模是把所有出现频率极小的词都记为一个feature，比如叫lowfrequency，然后在预测的时候，遇到这样特别少见的词，就直接算在lowfrenquency里面。更好的办法时，建模的时候，除了原始feature，加入一些hyperfeature,这是前一种方法的小推广，比如加入一些词类的变量，如关于体育，关于政治的，或者英语的，法语的。然后用相应的方式和原有的feature一起建模。svm在这时有可能会遇到些困难，因为它本身的setting并不一定能很好处理这些相关的，不同层次的变量。不过你可以试试，实际结果才是硬道理。
如果这种情况出现的很多，那么只能说明你的training sample缺乏代表性（这有时也很常见，因为数据的性质可能随时间变化很快），那么没办法，还是重新建模吧。
其实，一个更加有效的办法是： 不要用svm ！ svm对于feature不稳定的情况很敏感，有可能效果很差。有很多模型，比如cart, boosting trees都有相关的专门处理missing feature的方法，而且效果绝对不比svm差，不要过于迷信svm。
