使用标签对文档进行分类

Question

我有大量的文件（主要是pdf和doc）我想要分类，所以我可以根据某些标签搜索它们。这些标签可以是我自己的（我将标签放到文档中）或从文本中提取。

我刚刚看到与此相关的帖子（Classify data using Apache Mahout），但也许有更简单的事情。

Answer 1

Mahout对您的问题可能过度 - 但您可以通过使用OpenNLP获得相当快速，简单的解决方案。

http://opennlp.sourceforge.net/api/index.html

具体来说，请查看opennlp.tools.doccat包。从本质上讲，您必须经历并手动标记您想要的每个类别的一小组（ish）项目。如果它们非常独特，您可以使用小样本。

您可以使用DocumentCategorizerME.train（）静态函数来训练文档集合，其中每个文档都需要一个类别标记和要训练的文本块。然后，您可以使用经过训练的模型初始化DocumentCategorizerME并开始对所有其他文档进行分类。

一旦你这样做，你可以（我认为）将模型写入文件，这样你就不必再这样做了。

Answer 2

extracting keywords and classifying webpages上的这篇文章是相关的，可能会有所帮助。在您的示例中，您可以使用标签代替关键字提取部分（尽管您可能希望将两者结合使用）。 Weka易于使用，我绝对建议您一试。