嘿，这是我的问题，

我有一组文档，需要将每个文档分配到预定义的类别中。

我打算使用n-gram方法来表示每个文档的文本内容，然后在我的训练数据上训练一个SVM分类器。
如果我有什么误解，请纠正我。

现在的问题是，类别应该是动态的。也就是说，我的分类器应该能够处理带有新类别的新训练数据。

例如，如果我训练了一个分类器来将给定文档分类为类别A、类别B或类别C，然后我得到了带有类别D的新训练数据。我应该能够通过提供“类别D”的新训练数据来增量训练我的分类器。

总结一下，我不想将旧的训练数据（包含3个类别）和新的训练数据（包含新的/未见的类别）合并，然后重新训练我的分类器。我希望能够即时训练我的分类器

这是否可以用SVM实现？如果不能，你能推荐几个分类算法吗？或者有哪些书籍/论文可以帮助我。

提前感谢。

回答：

朴素贝叶斯是一种相对快速的增量分类算法。
KNN本质上也是增量的，并且实现和理解起来更加简单。

这两个算法都在开源项目Weka中实现，分别为NaiveBayes和IBk（KNN）。

然而，根据个人经验，这两个算法对大量非信息性特征（这在文本分类中通常是情况）都很敏感，因此通常会使用某种特征选择方法来从这些算法中榨取更好的性能，这在增量实现上可能是个问题。