我想创建一个模型，该模型提供了一系列从公司描述中提取的关键字，并对“＆＃39;类型”进行了分类。该公司的。让我用一个例子来说明。
＆＃34; Snapchat是由Evan Spiegel，Bobby Murphy和Reggie Brown创建的图像信息和多媒体移动应用程序，[3]斯坦福大学的前学生，由Snap Inc.开发，最初是Snapchat Inc.＆＃ 34;
示例提取的关键字：＆＃34;图像消息传递＆＃34; ; ＆＃34;多媒体移动应用＆＃34;
（来自Snapchat上的维基百科页面）
根据这些信息，我的模型需要推断出IT＆＃39;和＆＃39; SNS＆＃39;来自＆＃34;图片信息＆＃34;和＆＃34;多媒体移动应用＆＃34;。
（如果您问为什么不使用提取的关键字，我想将它们归类为所有公司尽可能少的标签，因此＆＃39; IT＆＃39; SNS＆＃39 ;与“图像消息传递”等相比，是更通用的术语。）
目前，我的数据集不是太大。对于大约数百个数据条目，大约80％包含我想要的信息。鉴于此信息，我想处理从公司描述中提取的关键字并给出正确的标签。
任何帮助我参与这个项目的建议都会很棒。
答案 0 :(得分：0)
如果您要定位特定域的公司，那么使用小型数据集可能会对您有所帮助。所以，您可以遵循一种方法：
使用提取的关键字的预训练字嵌入（例如来自Glove）并找到公司的嵌入。这就像从单词嵌入构建短语或句子表示。让我们把它命名为公司嵌入！类似的公司应该有类似的嵌入。所以，最终的想法是形成像我们在单词嵌入中看到的Google - Ford = Microsoft - Tesla这样的关系。您甚至可以使用嵌入来考虑其他有趣的算术关系，例如Google = search engine + youtube + android，其中右侧术语是提取的关键字。
您需要company type信息才能进一步分类，但使用任何机器学习分类器都应该非常简单。您可以使用简单的文本分类器来实现您的总体目标，但使用NLP技术实现这一目标会很有趣。