我有一系列具有发布日期的培训文档，其中每个文档都标记为属于（或不属于）某个主题T.我想培训一个模型，该模型将预测新文档（具有发布日期）是否或它不属于T，其中出版日期可能是过去或未来。假设我已经将每个训练文档的文本分解为一组特征（例如，单词或n-gram的TF-IDF），适合于通过像Weka这样的库提供的适当二进制分类算法进行分析（例如，多项式朴素贝叶斯，随机森林或SVM）。要学习的概念表现出多重季节性;即，在给定日期发布的任意文件属于T的先验概率在很大程度上取决于日期何时落入4年周期（由于选举），其中它处于年度周期（由于假期），以及在一周的这一天。
我的研究表明，分类算法通常假定（作为其统计模型的一部分）训练数据是从模型最终应用于的相同数据池中随机抽样的。当训练数据中的类别分布与野外的已知分布大不相同时，这会导致所谓的“类别不平衡”。问题。有一些方法可以弥补这一点，包括对代表性不足的类别进行过度抽样，对代表性不足的类别进行抽样不足，以及使用成本敏感的分类。这允许模型创建者隐含地指定新文档将被正面分类的先验概率，但重要的是（并且不幸地为了我的目的），假设所有新文档的此先验概率相等。
我的模型需要更多的灵活性。由于概念的季节性，在对新文档进行分类时，在确定文档属于T的先验概率时，以及当模型计算属于T的后验概率时，模型必须明确地考虑发布日期。根据文件的特点，应该适当考虑这个先验概率。我正在寻找一种分类器实现，它可以（1）将基于日期的先验概率的复杂回归带入分类器，或者（2）可以使用用户指定的回归函数进行扩展，该函数将日期作为输入并给出先验概率作为输出。
我最熟悉Weka库，但如果它们适合这项工作，我愿意使用其他工具。完成这项任务最直接的方法是什么？
修改（响应Doxav的＃2点）：
我担心的是，基于日期的属性不应该用于学习关于主题何时适用的规则，而应该仅用于确定主题是否适用的先验概率。这是一个具体的例子：假设主题T是＆＃34;圣诞节＆＃34;。与去年12月发表的故事相比，7月发表的故事确实不太可能是圣诞节。但是关于圣诞节的故事是故事的文本内容，而不是它的发表时间。出版日期和＆＃34;关于圣诞节＆＃34;仅仅是相关性，因此仅用于计算任意日期关于圣诞节的任意故事的先验概率。相比之下，TF-IDF（故事文本中的某些术语）和＆＃34;关于圣诞节＆＃34;之间的关系。是固有的和致使的，因此值得将我们的模型纳入我们关于圣诞故事的意义。
答案 0 :(得分：2)
似乎可以将其简化为典型的ML问题：文本分类+不平衡数据+季节性识别+架构+典型批次/离线与流/在线学习：
文本分类：https://www.youtube.com/watch?v=IY29uC4uem8是Weka文本分类的一个很好的教程，涵盖了不平衡数据问题。
季节性识别：目标是使模型能够学习某些不同时间属性的规则/推理，因此我们应该通过提取最有名的有用属性来简化其工作。这意味着提取典型的日期周期（即周日，月，日，年......），如果可能，还将其与其他更具体的周期或事件（即选举，假期，任何自定义周期或频繁）合并事件）。如果您希望模型学习时间序列/序列，则应创建一些滞后数据（之前发生的属性或最近时间间隔的统计数据）。最好删除日期本身或任何会使模型构造偏向的数据。
我不知道您是否计划将此作为服务提供，但这可以带来很好的灵感：http://fr.slideshare.net/TraianRebedea/autonomous-news-clustering-and-classification-for-an-intelligent-web-portal。
典型的批量/离线与流/在线学习：显然您已经了解Weka，专注于批量/离线学习。我不知道您的数据大小，如果您计划不断处理新数据和重建模型，那么您可以考虑转向流处理和在线学习。因此，您可以转移到非常接近Weka的MOA，但专门用于流分类，或使用最新版Weka（蒸汽处理和新的在线学习者）的新流功能。
更新1;我看了你的评论，我看到了不同的解决方案：