algorithm - 使用标签对文档进行分类

Question

我有大量要分类的文档（主要是 pdf 和 doc），因此我可以根据某些标签搜索它们。这些标签可以是我自己的（我将标签放在文档中）或从文本中提取。

我刚刚看到一篇与此相关的帖子（Classify data using Apache Mahout），但也许还有更简单的东西。

Answer 1

Mahout 可能对您的问题有点矫枉过正——但您可以通过使用 OpenNLP 获得相当快速、简单的解决方案。

http://opennlp.sourceforge.net/api/index.html

具体来说，查看 opennlp.tools.doccat 包。从本质上讲，您必须为您想要的每个类别手动标记一小部分（ish）项目。如果它们真的不同，您可以使用小样本量。

您可以使用 DocumentCategorizerME.train() 静态函数来训练文档集合，其中每个文档都需要一个类别标签和文本块来进行训练。然后，您可以使用经过训练的模型初始化 DocumentCategorizerME，并开始对所有其余文档进行分类。

一旦你这样做了，你可以（我认为）将模型写入一个文件，这样你就不必再这样做了。

Answer 2

这篇关于提取关键字和分类网页的帖子是相关的，可能会有所帮助。在您的示例中，听起来您可以使用标签代替关键字提取部分（尽管您可能希望将两者结合使用）。 Weka易于使用，我绝对建议您看看。