问题：我们有一堆文件（杂志文章）需要放入“类别”。有些类别反映了文章的主题（文章的内容）和其他一些类别反映了文章的“性质”（如果杂志印在纸上，可能会出现这种情况）。
我们目前正在通过将文章发送到海外手动解决问题，并让人们查看并标记它们。
我们希望更多地自动化这个过程。我查看了各种库，但它们似乎并不是为解决这个问题而设计的。
Carrot²会对搜索结果进行聚类，但如果它可以与现有（固定）类别一起使用，或者它直接从每个输入中推断出类别，则不清楚，不进一步深入研究。
NLTK是一种通用的解决方案，可以做很多事情，但在速度或准确性方面没有声誉。可能是我最好的选择吗？
理想情况下，我希望找到一个解决方案，该解决方案给出了一个类别列表和一组分类文档，能够为新文档建议一个类别，并对其建议的准确性有信心。
如果这不存在，我可以尝试根据NLTK的NaiveBayesClassifier编写一些内容，但是还有哪些其他选项？
答案 0 :(得分：3)
对于这个监督分类任务，我会使用Stanford Classifier。它嵌入了从特征提取（比词袋更复杂，更复杂）到顶尖机器学习（最大熵模型）的所有内容。如果您有足够的训练数据（即手动标记的文章），它的效果非常好。
唯一的问题是，每篇文章只会分配一个类。但由于你的两个“维度”（文章的主题和文章的类型）似乎是合理正交的，所以没有什么可以阻止你将这两个维度视为两个单独的分类问题。