给定一个主题，我如何计算文档“属于”该主题（即体育）的概率
这是我必须处理的：
1）我知道与该主题相关的文档中的常用词（消除所有停止词），以及包含该词的文档的百分比例如，如果主题是体育，我知道：
75% of sports documents have the word "play"
70% have the word "stadium"
40% have the word "contract"
30% have the word "baseball"
2）鉴于此，以及包含一堆单词的文档，我如何计算该文档属于该主题的概率？
这是一个以主题为类、词为特征的模糊分类问题。通常你没有每个主题的词袋，而是一组文档和相关主题，所以我将首先描述这个案例。
找到概率的最自然的方法（与概率论中使用的相同）是使用朴素贝叶斯分类器。这个算法已经介绍过很多次了，这里就不赘述了。您可以在此概要或相关的Coursera NLP 讲座中找到很好的解释。
您还可以使用许多其他算法。例如，您的描述自然适合基于tf*idf的分类器。tf*idf（词频*逆文档频率）是现代搜索引擎中用于计算文档中单词重要性的统计量。对于分类，您可以计算每个主题的“平均文档”，然后以余弦相似度计算新文档与每个主题的接近程度。
如果您遇到的情况与您描述的完全一样——只有主题和相关词——只需将每个词袋视为一个文档，可能会重复常用词。
查看topic modeling（https://en.wikipedia.org/wiki/Topic_model），如果您使用 python 编码，您应该查看 radim 的实现，gensim（http://radimrehurek.com/gensim/tut1.html）。否则，来自http://www.cs.princeton.edu/~blei/topicmodeling.html的许多其他实现
解决聚类问题的方法有很多。我建议从简单的逻辑回归开始并查看结果。如果您已经有预定义的本体集，您可以在下一阶段将它们添加为特征以提高准确性。