我有一个分类问题，我需要找出解决它的最佳方法。我有一组培训文档，其中文档中的一些句子和/或段落标有一些标签。并非所有句子/段落都被标记。一个句子或段落可能有多个标签/标签。我想做的是制作一些模型，在给定新文档的情况下，它将为文档中的每个句子/段落提供建议的标签。理想情况下，它只会给我高概率的建议。
如果我使用 nltk NaiveBayesClassifier 之类的东西，它会给出很差的结果，我认为是因为它没有考虑训练文档中的“未标记”句子，其中包含许多与标记句子相似的单词和短语。这些文件本质上是法律/金融的，并且充满了法律/金融术语，其中大部分应该在分类模型中忽略。
除了训练集中的标记数据之外，是否有一些比朴素贝叶斯更好的分类算法，或者有没有办法将未标记的数据推入朴素贝叶斯？
这是我要稍微修改现有方法的方法：为每个可能的标签、每个句子训练一个分类器。包括所有未表达该标签的句子作为该标签的否定示例（这将隐式计算未标记的示例）。对于一个新的测试句子，运行所有 n 个分类器，并保留得分高于某个阈值的类作为新句子的标签。
我可能会使用朴素贝叶斯以外的东西。如果您想要概率性的东西，逻辑回归 (MaxEnt) 是显而易见的选择：如果您不关心概率（我认为您目前不关心），SVM 非常强大。
这确实是一项序列标记任务，理想情况下，您也可以将附近句子的预测折叠起来……但据我所知，CRF/StructSVM 或其他序列标记方法没有原则性扩展，可以让实例具有多个标签。
有没有办法将未标记的数据推入朴素贝叶斯
“标记”和“未标记”数据之间没有区别，朴素贝叶斯构建了简单的条件概率，特别是P(label|attributes)它P(no label|attributes)在很大程度上基于使用的处理管道，但我高度怀疑它实际上忽略了未标记的部分。如果它出于某种原因这样做，并且您不想修改代码，您还可以在所有剩余的文本段中引入一些人工标签“无标签”。
有没有比朴素贝叶斯更好的分类算法
是的，NB其实是最基本的模型，还有几十个更好（更强，更通用）的模型，在文本标注上取得了更好的效果，包括：