如何通过有监督的学习将.txt文档分类到其他一些.txt类别

Question

我有大量的txt文档存储在8个不同的文件夹中，这些文件夹标有主题类别（实际上，它们是1,2,3级......）。我还有另外80个文件，但还没有类别。我试图找到对它们进行分类的最佳方法。

我已经完成了文本分割并删除了英文字母（因为它们是中文文本）。接下来我该怎么办？

我可以获得具有最高TF-IDF值的单词但不知道下一步该怎么做。似乎我应该将这些文本转换为向量并训练分类器，但我不知道如何

Answer 1

除了实现自己的单词模型包之外，您还可以使用例如来自gensim的doc2vec。它提供了很好的性能，很难与您自己的实现相匹配。您可以选择分层softmax或负采样。