我有大量的文档（主要是PDF和DOC格式），我想对它们进行分类，以便根据特定的标签进行搜索。这些标签可以是我自己添加的（我将标签添加到文档中），也可以是从文本中提取的。

我刚刚看到一个与此相关的帖子（使用Apache Mahout分类数据），但或许有更简单的解决方案。

回答：

Mahout对于你的问题可能过于复杂了——但你可以使用OpenNLP获得一个相当快速、简单的解决方案。

http://opennlp.sourceforge.net/api/index.html

具体来说，请查看opennlp.tools.doccat包。基本上，你需要手动为每个你想要的类别标记一小部分项目。如果这些类别非常不同，你可以使用较小的样本量。

你可以使用DocumentCategorizerME.train()静态函数来训练一组文档，每个文档需要一个类别标签和用于训练的文本块。然后，你可以用训练好的模型初始化DocumentCategorizerME，并开始对你剩余的所有文档进行分类。

一旦你完成了这个步骤，你可以（我认为）将模型写入文件中，这样你就不需要再次进行这个操作了。