我有以下项目，我需要用与这些新闻项目相关的公司名称来标记新闻项目（公司名称在新闻项目中提到，在许多情况下，在新闻项目的标题中）。
例如：我有大约 2000 条新闻项目（XML 格式），用公司名称及其与故事的相关性级别（高/低）标记[这是手动完成的]。对于每个新闻项目，我都有以下字段：
story_ID，标题；故事_文本；公司名;相关度（H/L）
最后两个字段是手动输入的。
我需要自动化这个标记过程，即我需要用公司名称及其与 High(H)/Low(L) 的相关性来标记传入的新闻项目。
注意：
有些新闻项目与任何公司都不相关，因此没有标记。
一些新闻项目与多家公司相关，因此这些新闻项目标有多个公司名称及其相应的相关级别。
我想知道我们可以使用哪些机器学习算法。我对自然语言处理非常陌生。所以我无法掌握如何解决问题。我知道我需要使用多标签/多类分类，但我从来没有使用过多标签分类。
任何帮助将不胜感激。
谢谢。
【问题讨论】：
标签： machine-learning nlp tagging
1.词向量
可能对您来说最好的方法是向量空间技术。基本上是这样的：
-建立文档中最常用的 25,000 个单词的列表；将它们按固定顺序排列（例如 0="the"、1="cat"、...）
-为每个文档制作一个长度为 25,000 的向量。每个条目是该单词在文档中出现的次数的计数。 （使用稀疏向量表示以提高效率）
-取文档向量之间的余弦距离。如果距离很小，他们讨论的是同一个领域。如果一个新文档在一个带标签的训练示例的某个阈值内，给它那个标签。
这里有一个简短的讨论： http://en.wikipedia.org/wiki/Vector_space_model
这里有一个演示文稿（关于“分布式词表示”的幻灯片）： http://web.stanford.edu/class/cs224u/
2。命名实体识别
最细粒度的自然语言处理方法称为命名实体识别；这里有一个版本：
http://nlp.stanford.edu/software/CRF-NER.shtml
算法将单词标记为特定实体（即 Apple Computer）。您可以运行这样的算法并检查是否提到了您选择的公司。 NER 算法将擅长识别在一篇关于完全不同主题的文章中提到的 Apple Computer（这对于上面的向量空间技术来说很难，它将文档视为一个整体）。但听起来您不需要那种级别的粒度，所以第一种方法可能是最好的。
【讨论】：
我写了一篇博客分享Best Key Phrase Extraction APIs in the Market的列表。您可以找到商业 API、开源 API 和现场演示。
【讨论】：