使用 k-gram 索引进行主题分类

Question

我有一组主题，每个主题都有一个关键字列表。 {Sports:['Ronaldo Messi Zidane','Football Baseball', 'Barcelona Real']...}

任务是对特定文档进行分类。分类也可以是多标签的。文档可以属于 topic1、topic2 等。我没有足够的数据，因此无法使用机器学习解决问题。因为我想检索高度精确的文档，所以我使用 k-gram index 解决了这个问题。

我将一组给定的主题关键字视为查询，并围绕它建立了一个 k-gram 索引。因此，我将所有键作为字符二元组，将值作为包含二元组的术语。这些术语是我要分类的文档中存在的术语。在遍历主题的每个关键字的帖子列表后，我得到了一组候选词及其相应的 jaccard 相似度得分。

1. 在一个主题中，如何合并所有候选词的 jaccard 分数？
2. 在所有主题中，我如何确定该文档属于哪个主题？
3. 你认为这种方法能给我带来高精度的结果吗？

谢谢。

Answer 1

这似乎是一个多类多标签分类问题。因为提问者习惯于使用详细的词汇方法。本文here 将有助于构建实用的解决方案。