从一组文档中分类标记句子的最佳方法
我有一个分类问题，我需要找出解决问题的最佳方法。 我有一套培训文档，文档中的一些句子和/或段落标有一些标签。 并非所有句子/段落都被标记。 一个句子或段落可能有多个标签/标签。 我想要做的是制作一些模型，在给定新文档的情况下，它会为我提供文档中每个句子/段落的建议标签。 理想情况下，这只会给我很高的可能性建议。
如果我使用类似nltk NaiveBayesClassifier的东西，它会给出糟糕的结果，我认为是因为它没有考虑到训练文档中的“未标记”句子，它将包含许多与标记句子相似的单词和短语。 这些文件是法律/财务性质的，并且充满法律/财务术语，其中大部分应该在分类模型中打折扣。
除了训练集中的标记数据之外，还有一些更好的Naive Bayes分类算法，还是有一些方法可以将未标记数据推入朴素贝叶斯？
下面是我想要稍微修改您现有的方法：针对每个句子对每个可能的标签进行单个分类器训练。 将所有不表示该标记的句子作为标记的反面示例（这将隐式计算未标记的示例）。 对于新的测试语句，运行所有n个分类器，并将保留超过某个阈值的分数作为新句子的标签。
我可能会使用朴素贝叶斯以外的东西。 如果你想要一些概率的话，Logistic回归（MaxEnt）是一个明显的选择：如果你不关心概率，那么支持向量机非常强大（我认为你目前不认为）。
这实际上是一个序列标签任务，理想情况下，您也可以从附近的句子中预测折叠......但据我所知，CRF / StructSVM没有原则性的扩展或其他序列标签方法，允许实例具有多个标签。
有没有办法将未标记的数据推入朴素的贝叶斯
“有标签”和“无标签”数据之间没有区别，朴素贝叶斯建立简单的条件概率，特别是P(label|attributes)和P(no label|attributes)所以它主要基于使用的处理流水线，但我非常怀疑它实际上忽略了未标记的部分。 如果出于某种原因这样做，并且您不想修改代码，则还可以为所有剩余的文本片段引入一些人造标签“无标签”。
朴素贝叶斯有没有更好的分类算法
是的，NB实际上是最基本的模式，有几十个更好（更强，更通用）的模式，在文本标记中取得更好的效果，其中包括：
上一篇: Best way to classify labeled sentences from a set of documents