我有分类问题，我需要找出解决问题的最佳方法。我有一套培训文件，其中一些文件中的句子和/或段落标有一些标签。并非所有句子/段落都被标记。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，在给出新文档的情况下，它会给出文档中每个句子/段落的建议标签。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，它会给出不好的结果，我认为因为它没有考虑训练文档中的“未标记”句子，这些句子将包含许多与标记句子相似的单词和短语。这些文件具有法律/财务性质，并且充满法律/财务术语，其中大多数应在分类模型中打折扣。
除了来自训练集的标记数据之外，还有一些比Naive Bayes更好的分类算法，还是有一些方法可以将未标记的数据推入朴素的贝叶斯？
答案 0 :(得分：3)
以下是我稍微修改现有方法的方法：针对每个句子为每个可能的标签训练单个分类器。包括所有不表示该标记的句子作为标记的否定示例（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Naive Bayes以外的东西。如果你想要概率性的话，Logistic回归（MaxEnt）是显而易见的选择：如果你不关心概率，SVM会非常强大（我现在认为你不会这样做）。
这实际上是一个序列标记任务，理想情况下你也可以从附近的句子中进行预测...但据我所知，CRF / StructSVM或其他序列标记方法没有原则扩展可以让实例具有多个标签。
答案 1 :(得分：1)
是否有某种方法可以将未标记的数据推送到朴素的贝叶斯
“标记”和“未标记”数据之间没有区别，Naive Bayes构建简单的条件概率，特别是P(label|attributes)和P(no label|attributes)因此它主要基于使用的处理管道，但我非常怀疑它实际上忽略了未标记的部分。如果出于某种原因这样做，并且您不想修改代码，您还可以为所有剩余的文本段引入一些人工标签“无标签”。
Naive Bayes是否有更好的分类算法
是的，NB实际上是最基本的模型，并且有几十种更好（更强大，更一般）的模式，它们在文本标记中取得了更好的效果，包括：