假设您在客户和人工代理之间有一组转录的客户服务电话，平均每个电话的长度为7分钟。客户将主要打电话，因为他们对产品有问题。让我们假设一个人可以为每个呼叫分配一个标签：
根据手动标记的文本，您需要训练一个文本分类器，该分类器将为三个轴中的每个轴预测每个调用的标签。但是录音的标签需要花费时间和成本。另一方面，您需要一定数量的训练数据才能获得良好的预测结果。
鉴于上述假设，您会从多少手动标记的培训文本开始？你怎么知道你需要更多标签的培训文本？
也许你之前曾做过类似的工作，可以给出一些建议。
更新（2018-01-19）：我的问题没有正确或错误的答案。好吧，理想情况下，有人完成了同样的任务，但这是不太可能的。我将问题再开放一周，然后接受最佳答案。
答案 0 :(得分：1)
回答这个问题很棘手，但我会根据自己的经验尽力而为。
过去，我对3个数据集进行了文本分类;括号中的数字表示我的数据集有多大： 餐厅评论（50K句子），reddit评论（250k句子） 和 开发者评论问题跟踪系统（10k句子） 。他们每个人都有多个标签。
在三个案例中，包括10k句话，我获得了超过80％的F1分数。我特别强调这个数据集，因为有人告诉我这个数据集的大小较小。
因此，在您的情况下，假设您有至少1000个实例（包括客户和代理之间的对话的呼叫）平均7分钟的呼叫，这应该是一个不错的开始。如果结果不满意，您有以下选择：
1）使用不同的模型（MNB，随机森林，决策树等，除了你使用的任何东西）
2）如果第1点给出或多或少类似的结果，请检查您拥有的所有类的实例的比例（您在此处讨论的3轴）。如果他们没有分享好的比例，那么如果您无法获得更多数据，请获取更多数据或尝试不同的balancing techniques。
3）另一种方法是将它们分类到句子级别而不是消息或会话级别，以便为句子而不是消息或会话本身生成更多数据和单个标签。