对多个类别中的项目进行分类

Question

我正在开发一个新闻分类系统，其中一个特定的新闻项目被分配给一个组织或公司名称。例如，一条标有“苹果将于2012年9月推出新款iPhone”的新闻被归类为“苹果”新闻。到目前为止，在用苹果新闻、谷歌新闻、微软新闻、三星新闻、美国银行新闻等一系列主题训练分类器后，我从一个训练好的模型中获得了几乎99%的正确分类实例。现在的问题是把像“三星和谷歌准备攻击苹果”这样的新闻分为三个主题，“苹果”，“三星”和“谷歌”。

我这里的问题是，如何使用Mahouts分类将单个项目分类为多个类别。我在这个帖子http://mail-archives.apache.org/mod_mbox/mahout-user/201206.mbox/%3C20120607223156.GA26283@opus.istwok.net%3E中看到了类似的问题。

Ted Dunning给出了一个有趣的答案，关于为多个主题创建单独的类别，但在我的例子中，组合是很多的。我必须将新闻归类为近15,000家公司，实际上，任何新闻都可以是这15000家公司中的任何一家。因此，将组合作为单独的类别是不可能的！第二个建议是在层次结构中安排主题，这也不适用于这里，因为公司名称不会收敛到任何基本类别。

有15000个模型，15000个主题就可以做到，但听起来也不太可信！

那么，对多话题新闻进行分类的正确方法应该是什么呢？

谢谢!

Answer 1

如果您遇到多标签数据的问题，最好使用专门针对它的工具。目前，mahout不支持多标签(有一些方法可以做到这一点，但它们就像是变通的方法)。以下是一些用于对数据进行多标签处理的工具

http://mulan.sourceforge.net/

http://meka.sourceforge.net/