建筑文章分类器-NLTK / Scikit-learn /其他NLP实施

Question

对于我当前的项目，我必须构建一个主题建模或分类实用程序，该实用程序将处理成千上万的文章以将它们分类为各种主题（开始时主题可能是40-50）。 例如，它将遍历数据库技术文章并将其分类为文章是否为NOSQL文章/ Relational DB文章/ Graph Database文章（仅作为示例）。

我有非常基本的NLP背景知识，我们的团队主要有python后端脚本编写经验。 我开始研究可用于实现它的各种选项，并遇到了基于Python的NLTK和Scikit-Learn，以及基于JVM的Weka和Mallet。
我的理解是，NLTK更适合于学习和理解各种NLP技术，例如主题分类。

有人可以建议我们实施时可以使用的最佳开源解决方案吗？ 如果我错过了任何有助于答案的信息，请告诉我。

Answer 1

建立主题分类模型可以分为两种方式。 如果您有一个训练集，其中有针对文档的标签，则始终可以使用scikit learning建立分类器

但是，如果您没有任何培训数据，则可以构建称为主题模型的东西。 它基本上给您主题作为一组单词。

您可以使用Gensim包来实现此目的。 非常清晰，快速且易于实现（ 在此处查看 ）