多类文本分类，每类一个训练样例

Question

我正在尝试解决多类单标签文档分类问题，将单个类分配给文档。文档是特定领域的技术文档，带有技术术语：

• Train：我有 19 个班级，每个班级都有一个文档。
• 目标：我有 77 个没有标签的文档，我想将其分类为 19 个已知类别。
• 预处理后的文档有 60-3000 个令牌。
• 我的整个语料库（19+77 个文档）有 65k 个术语（uni/bi/tri-grams），其中 4.5k 个共同术语（在训练和目标之间）

目前，我正在使用 tf-idf 矢量化器对文档进行矢量化，并将维度缩减为常用术语。然后在训练和目标之间做余弦相似度。

我想知道是否有更好的方法？由于训练中每个类中的单个文档，我无法使用 sklearn 分类器。关于可能的改进/方向的任何想法？特别是：

• 鉴于语料库较小，使用 word-embeddings/doc2vec 是否有意义？
• 从训练集中的术语生成合成训练数据是否有意义？
• 还有其他想法吗？

提前致谢！

Answer 1

很高兴看到您已经考虑了用于半监督文本分类场景的常用策略 - 生成合成数据、预训练词嵌入。不幸的是，由于每个类只有一个训练示例，因此无论您的特征提取有多好或数据生成有多有效，您训练的分类器几乎肯定不会泛化。您需要更多（真实）标记数据。