Python 使用nltk对文本文档进行分类

我目前正在做一个项目，在这个项目中，我正在接收电子邮件，使用电子邮件包剥离邮件正文，然后我想用体育、政治、技术等标签对它们进行分类

我已经成功地从我的电子邮件中删除了邮件正文，现在我想开始分类。我使用move_评论语料库将文档分为正面评论和负面评论，完成了情绪分析分类的经典示例

我只是想知道如何将这种方法应用到我的项目中？我可以创建多个类，如体育、科技、政治、娱乐等吗。？我在这里遇到了一个路障，正在寻找一个正确的方向

如果这不是一个合适的问题，我很乐意删除它

编辑：大家好，我看到这篇文章有点受欢迎，我最终成功地完成了这个项目，下面是指向GitHub Repo项目中代码的链接：

---

要创建分类器，您需要一个包含您要查找的类的训练数据集。在您的情况下，您可能需要：

创建自己的数据集

使用预先存在的数据集

这是一篇具有开创性的文章，包含了您所谈论的许多类别。这可以作为一个起点，帮助您使用诸如

gensim

之类的软件包对电子邮件进行分类，以查找语义相似的文本

---

一旦你对你的电子邮件进行分类，你就可以训练一个系统来预测每一封看不见的电子邮件的标签

文本分类任务是一个有监督的机器学习问题。这意味着您需要有带标签的数据。当你遇到电影评论问题时，你使用+1/-1标签来训练你的情绪分析系统

回到你的问题上来：

如果您的数据有标签，请以相同的方式处理问题。我建议您使用scikit学习库。你可以从这里得到一些启发：

如果你没有标签，你可以尝试一种无监督的学习方法。如果你有关于你有多少类别的任何线索（打电话给K），你可以尝试KMeans方法。这意味着，根据电子邮件的相似程度将其分为K类。类似的电子邮件最终也会出现在类似的桶中。然后用手检查集群并制作标签。将新电子邮件分配到最相似的群集。如果您需要KMeans的帮助，请查看以下快速配方：

---

建议：获取电子邮件标签可能比你想象的要容易。例如，Gmail允许您导出带有文件夹信息的电子邮件。如果您已经对电子邮件进行了分类，您可以利用这一点。

您看过gensim python库吗？要开始分类，您需要首先标记数据集。它可以是手动注释，也可以是基于规则的。确保可以为数据集创建多类。对于您的电子邮件类型，请确保您有多个类别。然后，您可以开始学习并对数据进行分类。使用cv或分裂列车试验。就像你为电影评论所做的那样。正如其他人提到的，gensim做主题建模。Link:Gensim发现文档之间的语义相似性并对它们进行聚类。通过查看特定集群中的文档，您可以将这些桶识别为体育、政治、技术等。谢谢您的帮助！