我正在尝试构建一个模型，用于识别提供的文本的兴趣类别/主题。例如：
“之前玩了一场足球，玩得很开心。”
将被归类为顶级类别，如：
“运动”。
我不确定我所尝试实现的正确术语是什么，所以谷歌没有找到任何可能有帮助的库。考虑到这一点，我的方法将是这样的：
- 从文本中提取特征。使用标记来分类每个特征/识别名称/地点。可能会使用NTLK或Topia来做这件事。
- 为每个兴趣类别（“运动”、“视频游戏”、“政治”等）运行一个朴素贝叶斯分类器，并获取每个类别的相关性百分比。
- 识别哪个类别的准确性百分比最高，并对文本进行分类。
我的方法可能会涉及为每个兴趣类别准备单独的语料库，我相信准确性可能会相当低——我明白它永远不会非常准确。
一般来说，我在寻找关于我试图实现的目标的可行性的一些建议，但我的问题的核心是：a) 我的方法是否正确？b) 是否有任何库/资源可能有帮助？
回答：
你似乎知道很多正确的术语。尝试搜索“文档分类”。这是你试图解决的一般问题。基于代表性语料库训练的分类器的准确性会比你想象的要高。
- (a) 没有一种正确的方法。你概述的方法是可行的。
- (b) ScikitLearn是一个非常适合这类工作的库。
关于这个主题，还有很多其他信息，包括在线教程：
