我有一份多年来的新闻数据，我希望训练这些数据，以便每次我输入一则测试新闻时，系统能返回该新闻相关的行业，例如“制造业”或“金融”。虽然这可以通过分类算法来实现，但遗憾的是我没有用于训练数据的分类器。我的数据看起来像这样：

ID   |    News      1    |    News1      2    |    News2      3    |    News3   

如果数据是以如下形式，那么我就可以应用分类算法来分类行业：

ID   |    News  | Industry Related to 1    |    News1 |     Manufacturing2    |    News2 |     Finance 3    |    News3 |     e-commerce

但你知道新闻API并不会提供与新闻相关的行业信息。在这种情况下，我该如何训练我的模型呢？

回答：

实现这一目标有不同的方法，每种方法都有其优缺点。你描述的问题并不简单。

我无法给出这个问题的普遍且正确的答案，因为这很大程度上取决于你想要达到的目标是什么。

你尝试做的是无监督学习。一般来说，你可以使用的Google搜索词是“分类未标记数据”。

维基百科上关于这个主题的文章对你可能使用的技术有很好的概述。由于机器学习问题通常不是一刀切的，并且每个项目选择的算法差异很大（数据集的大小、处理能力、误分类成本等），如果不详细了解你的数据和问题，没有人能给你一个普遍完美的答案。

仅从阅读你的帖子来看，我的第一个方法是使用聚类算法（如k-means聚类，见维基百科文章，我不能发布超过两个链接），利用文本的余弦相似度生成不同的新闻聚类，然后浏览这些聚类，手动标记它们，并将结果用作训练数据——或者使用tf*idf自动生成标签（见维基百科文章，我不能发布超过两个链接）。

然而，这样做的结果可能是非常好的、非常差的，或介于两者之间。