我们有一个需求,即从客户那里获取不同类型的文档,如学生入学文件、成绩单等。因此,我们希望创建一个算法来识别文档类型。我们选择了一些特定的关键词来识别文档类型,例如,如果入学文件包含关键词如fee
、admission
等。而marksheet
文档的关键词如marks
、grade
等。因此,我们可以通过比较关键词的频率来预测文档类型。
对于上述需求,应该实现哪种算法?我原本计划实现多项式朴素贝叶斯算法,但我的数据无法适应该算法。
顺便提一下,我正在使用Python的sklearn模块。
请问有人能告诉我哪种算法适合上述需求吗?如果可能的话,能否提供一个带代码的示例,以便我能更容易找到解决方案?
回答:
您正在寻找主题建模解决方案,有很多方法可以解决这个问题。通过Python和scikit-learn,我推荐您查看这篇文章