多类文本分类，每节课有一个训练示例

Question

我试图解决多类、单标签文档分类问题，将单个类分配给文档。文档是特定领域的技术文档，附带技术术语：

classes.

• Documents

• 列车:我有19个类，每个类只有一个文档。

• 目标:我有77个没有标签的文档，我想要分类到19个已知的有60-3000个标记，在pre-processing.
• My完整语料库(19+77 document )有65k个术语(uni/bi/tri)之后，共有4.5k个术语(火车和目标之间)

。

目前，我正在使用tf-以色列国防军矢量化文档，并将尺寸降至通用术语。然后在火车和目标之间做一个余弦相似度。

我想知道是否有更好的方法？我不能使用滑雪板分类器，因为一个单一的文件在每一节课训练。对可能的改进/方向有什么想法吗？特别是：

• 在小语料库中使用word-embeddings/doc2vec是否有意义？
• 从训练集中的术语生成合成训练数据是否有意义？
• 还有其他想法吗？

提前感谢！

Answer 1

很高兴看到，您已经考虑了通常的策略--生成合成数据、预先训练的单词嵌入--用于半自动文本分类场景。不幸的是，由于每个班只有一个训练示例，无论您的特征提取多么好，或者您的数据生成多么有效，您所训练的分类器几乎肯定不会泛化。您需要更多(真实的)标签数据。