这可能是一个抽象的问题，但我总是遇到这种类型的问题，而且它不断地出现在我面前。

我爬取了数据（例如：关于塔塔钢铁的新闻文章），提取了内容，手动阅读了每个链接的内容，并将它们分类为财务、运营、可持续性等类别。

然后我制作了tf-idf数据框架作为分类器模型的特征。

我想训练模型来分类这些文章。我只剩下使用tf-idf特征的SVM或逻辑回归两种选择。

有没有更好的方法来分类文本数据？除了制作tf-idf之外，是否有更好的方法，因为将句子分解成词作为特征可能会丢失信息（句子的语境含义）。

有什么算法可以帮助我改进文本数据的分类吗？

回答：

有几种商业API以及用于文本分类任务的框架，它们在tf-idf上的SVM/逻辑回归基础上进行了改进。它们在分类时包括了句子的语义/上下文/词序。深度神经网络在这项任务中非常有用，如果你想从头开始构建一个神经网络，你可以研究LSTM和RNN文本分类。对于现有的且更容易上手的，你可以看看Spacy和FastText。两者都有用于分类模型的标记和训练数据的示例