文本分類算法

Question

我有幾百萬個短文檔（最多30個字），我需要將其分成幾個已知類別。有可能，文檔匹配幾個類別（很少，但可能）。文檔也可能不匹配任何類別（很少）。我還擁有數百萬份已被分類的文件。我應該使用什麼算法來完成這項工作。我不需要太快。我需要確保算法正確（儘可能）分類。
我應該使用什麼算法？在C＃中有一個實現嗎？
謝謝你的幫助！

Answer 1

看看term frequency and inverse document frequency也cosine similarity找到創建類別和指定文件類型重要的話基於相似

編輯：

找到一個例子here

Answer 2

也許一個決策樹結合NN？

Answer 3

有趣的文章：

• A self-organizing semantic map for information retrieval
• WEBSOM - self-organizing maps of document collections

Answer 4

恕我直言，這裏的主要問題是文件的長度。我想我會稱之爲短語分類，並且由於推特的原因，這方面的工作正在進行。您可以帶上額外的文字，對30個單詞進行網絡搜索，然後分析頂級匹配。有一篇關於此的文章，但我現在找不到它。然後，我會嘗試使用特徵向量方法（如Jimmy的答案中的tdf-idf）和用於分類的多類SVM。

Answer 5

您可以使用SVM算法將C＃中的文本與libsvm.net庫進行分類。