我不知道您是否仍在寻找答案，但让我为碰巧回到这个问题的任何人提供两分钱。
在 NLP 工作过，我建议您研究以下方法来解决问题。不要寻找单一的包装解决方案。那里有很棒的包裹，毫无疑问有很多东西。但是当涉及到 NLP、ML 和优化等活跃的研究领域时，这些工具往往比学术界落后至少 3 或 4 次迭代。
来到核心问题。您要实现的是文本分类。实现这一点的最简单方法是 SVM 多类分类器。最简单的是，但也具有非常非常（参见双重强调）合理的分类准确性、运行时性能和易用性。
您需要处理的是用于表示您的新闻文章/文本/标签的功能集。您可以使用词袋模型。添加命名实体作为附加功能。您可以使用文章位置/时间作为特征。（尽管对于简单的类别分类，这可能不会给您带来太大的改进）。底线是。支持向量机工作得很好。他们有多种实现。在运行时，您实际上并不需要太多 ML 机器。另一方面，特征工程是非常特定于任务的。但是给定一些基本的特征集和良好的标记数据，您可以训练出一个非常不错的分类器。
这里有一些资源给你。 http://svmlight.joachims.org/ SVM 多类是您感兴趣的。
这是 SVM zen 自己的教程！ http://www.cs.cornell.edu/People/tj/publications/joachims_98a.pdf
我不知道它的稳定性，但从代码来看它是一个二进制分类器 SVM。这意味着如果您有一组已知的大小为 N 的标签要将文本分类到其中，则必须训练 N 个二进制 SVM 分类器。N 个类别标签各一个。
希望这可以帮助。