我想根据文本中出现的关键字进行文本分类，因为我没有样本数据可以使用朴素贝叶斯进行文本分类。
例子：
我的文档有一些单词，例如“family，mother，father，children ...”，文档的类别是family。或者“football，网球， score ...”，类别是sport
在这种情况下，最好的算法是什么？。有没有针对这个问题的 api java？
【问题讨论】：
标签： machine-learning data-mining
您拥有的是特征标签，即特征上的标签而不是实例。有几种方法可以利用这些方法，但通常假设除了特征标签之外还有实例标签（即文档上的标签）。这种范式被称为双重监督。
无论如何，我知道至少有两种方法可以单独从标记的特征中学习。第一个是Generalized Expectation Criteria，它惩罚模型参数偏离先验信念（例如，“moether”通常应该与“family”相关联）。这种方法的缺点是有点复杂，但优点是在Mallet 工具包中有一个封装良好的开源Java 实现（具体参见here）。
第二种选择基本上是使用朴素贝叶斯并为已知的单词/类关联提供大量先验——例如，P("family"|"mother") = .8，或其他。所有未标记的单词都将被分配一些先验，可能反映了类分布。然后，您将有效地仅根据类的普遍性和标记的术语信息做出决策。解决proposed a model like this recently，并且有一个可用的网络工具。
【讨论】：
为此，您可能需要一个辅助数据集。您不能依靠您的数据集来传达“爸爸”、“父亲”和“丈夫”具有相似含义的信息。
你可以尝试做我的同现来检测近义词，但这不是很可靠。
可能 wordnet 等是消除这些词歧义的好地方。
【讨论】：
您可以下载freebase主题合集：http://wiki.freebase.com/wiki/Topic_API。
【讨论】：