最簡單的方法/黑匣子根據現有的（標記的）數據集為短帖子建議標簽？

Question

我們評論了大約50-300個字符，其中預先標記了多個主題，例如“音樂”，“技術”以及特定的電影，藝術家等。

我們想訓練一種算法來自動標記將來的評論。 我們將手動調整建議以提高准確性，並隨着時間的推移手動添加更多標簽（例如，新藝術家）。 帖子將具有一個或多個標簽。

最簡單的方法是什么？ 我正在尋找一些簡單的操作，例如添加content和tag 1, tag 2... ，自動訓練，然后再給它文本以返回建議標簽的列表（最好是置信度為％）。

我們最終將獲得成千上萬個標簽，並可能有超過10萬個帖子。

我玩過一些東西（朴素的貝葉斯，LDA），但是我覺得對於這樣一個普通而簡單的用例，必須有一些更簡單的東西。 也許是圖書館或SaaS使其變得簡單明了。

Answer 1

考慮支持向量機 -通過提取詞干 ， 停用詞 ， n -gramming （尤其是skip-ngramming可能會帶來實質性的提振）來進行初步特征提取。

當心 ：無論分類器多么出色，錯誤的特征提取都會立即使它變得愚蠢。

波特·史默

滾雪球