我已将一组文档与Lucene分类（字段：内容，类别）。每个文档都有自己的类别，但其中一些标记为未分类。有没有办法在java中轻松地对这些文档进行分类？
答案 0 :(得分：3)
分类是机器学习/统计领域的一个广泛问题。在阅读了你的问题后，我觉得你已经使用了一种SQL group by子句（虽然在Lucene中）。如果您希望机器对文档进行分类，而不是您需要了解机器学习算法，如神经网络，贝叶斯，SVM等。在Java中可以使用优秀的库来完成这些任务。为此，您将需要一些功能（从数据中提取的一组属性），您可以在其上训练算法，以便它可以预测您的分类标签。
Java中有一些很好的API（它允许你专注于代码而不需要过多地理解这些算法背后的数学理论，不过如果你知道这将是非常有利的）。 Weka很好。我还看到了Manning的几本书，他们很好地处理了这些任务。你走了：
行动中的集体智慧第10章（分类）：http://www.manning.com/alag/
智能网算法的第5章（分类）：http://www.manning.com/marmanis/
这些对于分类来说绝对是非常棒的材料（对于Java人来说）特别适合那些不想深入了解理论的人（虽然非常重要:)）并且很快就会想要一个有效的代码。
Collective Intelligence in Action解决了使用JDM和Weka进行分类的问题。因此，请看看这两个任务。
答案 1 :(得分：3)
是的，你可以使用MoreLikeThisQuery class为这类事情实现的相似性查询（假设你的lucene索引的文档中有一些大的文本字段）。请查看基础MoreLikeThis class的javadoc，了解其工作原理的详细信息。
要将lucene索引转换为文本分类器，您有两种选择：
对于分类器的任何新文本，查询具有至少一个类别的前10个或50个最相似的文档，对这些“邻居”中的类别出现进行求和，并在这些类别中查找前3个常见类别文件（例如）。
或者，您可以通过连接此类别文档的文本（全部或样本）来索引一组新的聚合文档，每个文档对应一个文档。然后运行相似性查询，直接在那些“假”文档上输入文本。
第一种策略在机器学习中被称为k-Nearest Neighbors分类。第二个是黑客攻击：）
如果您有许多类别（比如说超过1000个），第二个选项可能会更好（分类更快）。我没有进行任何干净的绩效评估。
您可能还会找到此blog post interesting。
如果您想使用Solr，则需要启用MoreLikeThisHandler并在内容字段中设置termVectors=true。
python的sunburnt Solr客户端能够执行mlt查询。这是一个原型python分类器，它使用Solr进行分类，使用维基百科类别的索引：
https://github.com/ogrisel/pignlproc/blob/master/examples/topic-corpus/categorize.py
答案 2 :(得分：3)
从Lucene 5.2.1开始，您可以使用indexed documents to classify new documents。开箱即用，Lucene提供了一个朴素的贝叶斯分类器，一个k-最近邻分类器（基于MoreLikeThis类）和一个基于Perceptron的分类器。
缺点是所有这些类都标有实验警告，并记录了维基百科的链接。