推文分为 4 类答案

【问题标题】：Classification of tweets into 4 categories推文分为 4 类
【发布时间】：2015-01-11 20:52:40
【问题描述】：

我提到了这个类似的查询twitter/facebook comments classification into various categories 但我的问题有点不同。我有一些 10k 条推文，我想将它们分为 4 个类别，即“旅行”、“购物”、“吃”、“玩”。现在的问题是，由于推文的长度非常小，应该使用什么工具将这些推文分为这 4 类？在删除停用词并清理 cmets 后，它们的大小变得更小，可以保存足够相关的任何信息，将它们分为 4 类。在这种情况下哪种算法最有效：“小文本”大小。

我在某处读到我应该简单地使用 Lucene 而不是 NLTK。但作为 Lucene 的新手，我真的不明白 Lucene 将如何在这种多分类中提供任何帮助。

【问题讨论】：

只要你知道你在做什么（你使用的算法等等），你使用python/java/R哪个平台并不重要
@badc0re 谢谢，但您建议使用什么方法对推文进行分类。我将如何生成特征以便将它们分类到给定的类别中。如果你能记下一些逐步的要点，我将非常感激。非常感谢朋友！！！！

标签： python twitter lucene classification nltk

【解决方案1】：

你可以试试 naive bayes, random forest 或者你可以试试EM 这样的无监督算法（然后根据分组定义标签簇）。 注意所有类中使用的常用词。您可以尝试使用 AUC 等来评估您的表现。还可以尝试找到选择特征的方法，称为 互信息

祝你好运！

【讨论】：

嗨，我尝试为每个标签手动标记 100 个文档。现在我为 4 个类别中的每一个类别提供了 100 个示例。我现在应该使用哪个分类器。
拥有训练数据并不是那么简单，您还应该分析每个类别使用了哪些特征并去除不必要的噪音。如果您只想查看整个过程是如何工作的，您可以使用朴素贝叶斯并查看类的先验概率或特征的联合概率。
谢谢哥们，你能否建议如何做这个朴素的贝叶斯然后我准备好赶上。或者一个与你刚刚写的内容一致的教程，因为太多了，我不知道我的案例要遵循哪一个。相信我，自从我发布它的那天起，我就一直在解决这个问题，因此我一直保留只有当我遇到某些事情时才会回来。非常感谢。
使用答案的链接，还有这些data-mining 和Info-ret。
在这种情况下 vowpal-wabbit 会提供帮助吗？