基于主题频率的分类文档

Question

我需要一种方法来澄清以下数据集的主导主题，以下数据集是在预处理所有文档后产生的，
以下选定的主题频率如下：

                                         TOPICS 
id   Doc-name   total words     Politics    sport    food   animals  
1       doc1        1000          300         250     100     350
2       doc2        2000          1000        400     200     400
3       doc3        4000          500         300     2000    200
etc... 

问题是： 这种数据集有什么分类方法吗？ 如果我认为 doc1 是动物，这是真的吗？ 有没有办法计算该文档中每个主题的概率以找到文档主导主题？ 请问有什么建议吗？

Answer 1

这种分类方法只有在应该确定与给定主题相关的文档类型时才有用。这种类型的分析绝不会让人了解它写博客的真实背景。

如果我说“运动员肯定比任何猫、狗、牛或羊都快”，这句话的上下文是什么？它是关于动物的吗？

通过这种类型的分析，您可以对句子的上下文做出的唯一结论是“句子有导致描述运动和动物的因素。这些因素的参与是 4 到 2 ”。

您可以继续使用标准方法计算概率。但这些数字与真实背景的相关性可能很遥远。