开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在文本分类中，如何对不属于“未知”类别的文本进行分类？

在文本分类中，对于不属于"未知"类别的文本进行分类可以采用以下方法：

多类别分类模型：使用多类别分类模型对文本进行训练和分类。多类别分类模型可以通过监督学习算法（如朴素贝叶斯、支持向量机、深度学习模型等）进行训练，将文本分为预定义的多个类别。在训练过程中，需要使用已标注好的文本数据集进行模型训练，以学习不同类别之间的特征和区别。对于不属于"未知"类别的文本，模型会将其分到最接近的类别中。
二阶段分类：在第一阶段，使用一个二分类模型将文本分为"未知"和"已知"两类。对于被分类为"已知"类别的文本，再使用多类别分类模型对其进行进一步分类。这种方法可以先将文本进行初步的分类，然后再进行更细粒度的分类，提高分类的准确性。
异常检测：将不属于"未知"类别的文本视为异常数据，使用异常检测算法（如孤立森林、聚类算法等）对文本进行分类。异常检测算法可以通过学习正常文本的分布特征，将与正常文本差异较大的文本判定为异常。这种方法适用于在训练数据中没有包含所有类别的情况下，对新出现的类别进行分类。
人工干预：对于不属于"未知"类别的文本，可以通过人工干预的方式进行分类。将这些文本交给专家或人工智能工程师进行手动分类，以建立新的类别或调整已有类别。

腾讯云相关产品和产品介绍链接地址：

腾讯云自然语言处理（NLP）：https://cloud.tencent.com/product/nlp
腾讯云机器学习平台（MLPaaS）：https://cloud.tencent.com/product/mlpaas
腾讯云人工智能开放平台（AI Lab）：https://cloud.tencent.com/product/ai-lab
腾讯云数据智能（Data Intelligence）：https://cloud.tencent.com/product/di
腾讯云大数据（Big Data）：https://cloud.tencent.com/product/bigdata

相关搜索:如何使用分类器算法对单个文本进行分类如何对类中的属性进行分类？如何使用决策树对类别中的文本进行分类如何根据内容对与圣经相关的文本进行分类在Keras中对1700多个类进行MultiLabel分类 Fastai文本分类器:对未知数据的批量预测 TensorFlow keras文本分类:应用模型对单词进行评分如何根据常用词对文本进行分类从单词数组中对文本进行分类使用doc2vec和LogisticRegression对输入文本进行分类在ResNet50 Keras中对自定义类进行分类(基本上是对冰淇淋的类型进行分类)如何对数据框进行重分类，以便对文本进行索引在文本分类中使用基于多列的类在分类/聚类任务中将文本值更改为int 在python中进行文本分类的过采样？如何在线性分类器中应用类权重进行二分类？我应该使用什么方法来对具有数千个类别的文本进行分类？使用预训练的BERT模型进行错误多类文本分类如何在python中对未标记的数据进行多类分类？在FastAPI中对图像进行分类时返回标签

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【微报告】校园行（上）之社交大数据概念理解及应用案例

一、大数据 1、大数据时代随着智能手机的普及，网民参与互联网产品和使用各种手机应用的程度越来越深，用户的行为、位置、甚至身体生理等每一点变化都成为了可被记录和分析的数据，数据量呈现爆炸式增长。

吾爱NLP(4)—基于Text-CNN模型的中文文本分类实战

转眼学生生涯就结束了，在家待就业期间正好有一段空闲期，可以对曾经感兴趣的一些知识点进行总结。

09

基于Text-CNN模型的中文文本分类实战

转眼学生生涯就结束了，在家待就业期间正好有一段空闲期，可以对曾经感兴趣的一些知识点进行总结。

04

支持向量机SVM介绍|机器学习

（一）SVM的八股简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力[14]（或称泛化能力）。以

06

支持向量机SVM入门详解：那些你需要消化的知识

出自：嘉士伯的Java小屋 http://www.blogjava.net/ （一）SVM的八股简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本

08

广告行业中那些趣事系列28：基于半监督或自监督解决文本分类中样本不均衡问题

摘要：本篇从理论到实践详解了使用半监督和自监督学习框架解决文本分类中的样本不均衡问题。首先，讲了下为啥要用半监督和自监督学习框架；然后，结合论文从理论到实验结果重点介绍了半监督和自监督框架下的不均衡学习；最后将半监督和自监督学习框架应用到我们实际的文本分类任务中并取得了不错的效果提升。对于希望通过半监督和自监督方式解决样本不均衡问题的小伙伴可能有所帮助。

03

11. HanLP实现朴素贝叶斯/SVM--文本分类

笔记转载于GitHub项目：https://github.com/NLP-LOVE/Introduction-NLP

01

文本分类算法之–贝叶斯文本分类算法[通俗易懂]

例如文档：Good good study Day day up可以用一个文本特征向量来表示，x=(Good, good, study, Day, day , up)。在文本分类中，假设我们有一个文档d∈X，类别c又称为标签。我们把一堆打了标签的文档集合<d,c>作为训练样本，<d,c>∈X×C。例如：<d,c>={Beijing joins the World Trade Organization, China}对于这个只有一句话的文档，我们把它归类到 China，即打上china标签。

01

基于贝叶斯算法的文本分类算法

1、基本定义：分类是把一个事物分到某个类别中。一个事物具有很多属性，把它的众多属性看作一个向量，即x=(x1,x2,x3,…,xn)，用x这个向量来代表这个事物，x的集合记为X，称为属性集。类别也有很多种，用集合C={c1,c2,…cm}表示。一般X和C的关系是不确定的，可以将X和C看作是随机变量，P(C|X)称为C的后验概率，与之相对的，P(C)称为C的先验概率。根据贝叶斯公式，后验概率P(C|X)=P(X|C)P(C)/P(X)，但在比较不同C值的后验概率时，分母P(X)总是常数，忽略掉，后验概率

04

机器学习教程：朴素贝叶斯文本分类器

在本教程中，我们将讨论朴素贝叶斯文本分类器。朴素贝叶斯是最简单的分类器之一，只涉及简单的数学表达，并且可以使用PHP，C＃，JAVA等语言进行编程。

09

SVM-支持向量机算法概述

支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力[14]（或称泛化能力）。

01

使用孪生网络和零样本学习进行文本分类

意图识别是NLP中对话系统的一项基本任务。意图识别（有时也称为意图检测）是使用标签对每个用户话语进行分类的任务，标签来自一组预定义的标签。

03

文本分类算法的效果[通俗易懂]

国内外很多研究者进行了客观评测（Yang，1999；Joachims，1998；He，2000；Tsay，2000；庞剑锋，2001；王灏，2003；李保利，2003；周雪忠，2003）。

03

文本分类算法研究与实现

近年来，随着Internet的迅猛发展，网络信息和数据信息不断扩展，如何有效利用这一丰富的数据信息，己成为广大信息技术工作者所关注的焦点之一。为了快速、准确的从大量的数据信息中找出用户所需要的信息，文本信息的自动分析也成为了当前的迫切需求。对文本信息的分析中的一个主要技术就是文本分类。文本分类问题是自然语言处理的一个基本问题，很多相关的研究都可以归结为分类问题。文本分类是指将文本按一定的规则归于一个或多个类别中的技术。近年来，许多统计的方法和机器学习的方法都应用到文本分类方面，如朴素贝叶斯方法(NB)、K-近邻方法（KNN)、支持向量机方法(SVM)等。

00

SVM原理详解

SVM入门（一）至（三）Refresh 按:之前的文章重新汇编一下,修改了一些错误和不当的说法，一起复习,然后继续SVM之旅. （一）SVM的简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样

07

文本分类六十年

文本分类是自然语言处理中最基本而且非常有必要的任务，大部分自然语言处理任务都可以看作是个分类任务。近年来，深度学习所取得的前所未有的成功，使得该领域的研究在过去十年中保持激增。这些文献中已经提出了许许多多的算法模型、基准数据集一集评测指标，因此需要一个对这个领域进行全面而且跟进趋势的调查。这里我们介绍基于机器学习和深度学习的文本分类，主要内容来自北航、伊利诺伊大学等学者联合发表论文 A Survey on Text Classification: From Shallow to Deep Learning。

02

基于机器学习的文本分类算法的研究[通俗易懂]

文本分类的方法属于有监督的学习方法，分类过程包括文本预处理、特征抽取、降维、分类和模型评价。本文首先研究了文本分类的背景，中文分词算法。然后是对各种各样的特征抽取进行研究，包括词项频率-逆文档频率和word2vec，降维方法有主成分分析法和潜在索引分析，最后是对分类算法进行研究，包括朴素贝叶斯的多变量贝努利模型和多项式模型，支持向量机和深度学习方法。深度学习方法包括多层感知机，卷积神经网络和循环神经网络。

01

第二章--第三篇---文本分类

文本分类是一种基于自然语言处理技术，对给定的文本进行分类的方法。具体而言，文本分类将一篇文本分配到一个或多个预定义的类别中，这些类别通常是事先定义好的，例如新闻、评论、垃圾邮件、商品分类等。文本分类在实际应用中有着广泛的应用，例如在舆情监控、垃圾邮件过滤、新闻分类、商品分类、情感分析等领域。通过对海量文本数据进行分类，可以帮助用户快速准确地获得所需信息，从而提高效率。此外，文本分类还可以帮助企业识别消费者的意见和情感倾向，为其提供更好的产品和服务，增强市场竞争力。

01

文本分类综述 | 迈向NLP大师的第一步（下）

本系列文章总结自然语言处理（NLP）中最基础最常用的「文本分类」任务，主要包括以下几大部分：

02

【文本分类】基于DNN/CNN的情感分类

导语 PaddlePaddle提供了丰富的运算单元，帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里，我们针对常见的机器学习任务，提供了不同的神经网络模型供大家学习和使用。本周推文目录如下：周一：【点击率预估】 Wide&deep 点击率预估模型周二：【文本分类】基于DNN/CNN的情感分类周三：【文本分类】基于双层序列的文本分类模型周四：【排序学习】基于Pairwise和Listwise的排序学习周五：【结构化语义模型】深度结构化语义模型文本分类是自然语言

04

广告行业中那些趣事系列44：NLP不可不学的FastText模型

摘要：本篇从理论到实践介绍了Facebook开源的FastText模型。首先介绍了背景，由于工作需要对当前语音助手红线模型进行优化，而当前模型使用的是FastText模型；然后从理论方面重点介绍了FastText模型，主要用于词向量训练和文本分类任务中，因为速度快和不错的效果所以广泛应用在工业界。FastText模型结构简单，将词向量和n-gram特征作为模型输入，进行求和取平均即可得到语义向量特征，最后接一个softmax进行分类；最后从源码实践的角度介绍了FastText文本分类流程。对于想了解FastText模型并且应用到线上文本分类任务中的小伙伴可能有所帮助。

02

2017 知乎看山杯从入门到第二

利用一个暑假的时间，做了研究生生涯中的第一个正式比赛，最终排名第二，有些小遗憾，但收获更多的是成长和经验。我们之前没有参加过机器学习和文本相关的比赛，只是学过一些理论基础知识，没有付诸过实践，看过的几篇论文也多亏前辈的分享（一个是用深度学习（CNN RNN Attention）解决大规模文本分类问题 - 综述和实践 http://t.cn/R6JltDf，另一个是 brightmart 的 text_classification，里面用 Keras 实现了很多文本分类的模型 http://t.cn/R924

07

线性分类器 VS 非线性分类器

在这一小节，我展示了Naive Bayes和Rocchio这两个学习方法，它们都属于线性分类器，大概也是文本分类器中最重要的一组，接着我把它们和非线性分类器做了一个比较。为了简化讨论部分，我在这一节将

03

线性分类器 VS 非线性分类器

在这一小节，我展示了Naive Bayes和Rocchio这两个学习方法，它们都属于线性分类器，大概也是文本分类器中最重要的一组，接着我把它们和非线性分类器做了一个比较。为了简化讨论部分，我在这一节将

05

文本数据的机器学习自动分类方法(上)

【编者按】：随着互联网技术的迅速发展与普及，如何对浩如烟海的数据进行分类、组织和管理，已经成为一个具有重要用途的研究课题。而在这些数据中，文本数据又是数量最大的一类。以统计理论为基础，利用机器学习算法对已知的训练数据做统计分析从而获得规律，再运用规律对未知数据做预测分析，已成为文本分类领域的主流。InfoQ联合“达观数据“共同策划了《文本数据的机器学习自动分类方法》系列文章，为您详细阐述机器学习文本分类的基本方法与处理流程。本文为第一部分，着重介绍文本预处理以及特征抽取的方法。第二部分将会着重介绍特征向量

06

技术干货丨fastText原理及实践

fastText是Facebook于2016年开源的一个词向量计算和文本分类工具，在学术上并没有太大创新。但是它的优点也非常明显，在文本分类任务中，fastText（浅层网络）往往能取得和深度网络相媲美的精度，却在训练时间上比深度网络快许多数量级。在标准的多核CPU上，能够训练10亿词级别语料库的词向量在10分钟之内，能够分类有着30万多类别的50多万句子在1分钟之内。本文首先会介绍一些预备知识，比如softmax、ngram等，然后简单介绍word2vec原理，之后来讲解fastText的原理，并

一文了解自然语言处理的每个范畴用到的核心技术，难点和热点(1)

希望时间的流逝不仅仅丰富了我们的阅历，更重要的是通过提炼让我们得以升华，走向卓越。 1电影Her见识NLP 可能很多朋友看过好莱坞的电影《Her》，电影中讲述的主角耳朵里戴了一个耳机，这是一个人工智能的虚拟助手，能够通过耳机与人工智能来对话。人机交互方式在经历了第一代的键盘鼠标，第二代的触摸屏和按键后，第三代对话式人工智能操作系统正在来临，让用户通过最便捷、简单的方式获取信息和服务。这其中功不可没的就是自然语言处理技术(NLP)，我们熟知的问答系统就是一种最直接的人机交互方式。NLP过去经历了怎样的发

06

NLP文本分类

其实最近挺纠结的，有一点点焦虑，因为自己一直都期望往自然语言处理的方向发展，梦想成为一名NLP算法工程师，也正是我喜欢的事，而不是为了生存而工作。我觉得这也是我这辈子为数不多的剩下的可以自己去追求自己喜欢的东西的机会了。然而现实很残酷，大部分的公司算法工程师一般都是名牌大学，硕士起招，如同一个跨不过的门槛，让人望而却步，即使我觉得可能这个方向以后的路并不如其他的唾手可得的路轻松，但我的心中却一直有一股信念让我义无反顾，不管怎样，梦还是要有的，万一实现了呢~

02

（二）中文文本分类--机器学习算法原理与编程实践 - 简书

本章知识点：中文分词，向量空间模型，TF-IDF方法，文本分类算法和评价指标使用的算法：朴素的贝叶斯算法，KNN最近邻算法 python库：jieba分词，Scikit-Learning 本章目标：实现小型的文本分类系统本章主要讲解文本分类的整体流程和相关算法

01

【学术】使用机器学习来进行自动化文本分类

数字化已经改变了我们处理和分析信息的方式。信息的在线可用性呈指数增长。从网页到电子邮件、科学期刊、电子书、学习内容、新闻和社交媒体都充满了文本数据。其理念是快速创建、分析和报告信息。这是自动文本分类的

08

达观数据分享文本大数据的机器学习自动分类方法

随着互联网技术的迅速发展与普及，如何对浩如烟海的数据进行分类、组织和管理，已经成为一个具有重要用途的研究课题。而在这些数据中，文本数据又是数量最大的一类。文本分类是指在给定分类体系下，根据文本内容自动确定文本类别的过程（达观数据科技联合创始人张健）。文本分类有着广泛的应用场景，例如： ●新闻网站包含大量报道文章，基于文章内容，需要将这些文章按题材进行自动分类（例如自动划分成政治、经济、军事、体育、娱乐等） ●在电子商务网站，用户进行了交易行为后对商品进行评价分类，商家需要对用户的评价划分为正面评价和负面评价

【NLP论文速递&&源码】弱监督文本分类(MotifClass)、自动文本分类(AdaptText)、论证充分性评估

今天论文速递主要包括：弱监督文本分类(MotifClass)、自动文本分类(AdaptText)、论证充分性评估。其中弱监督文本分类提出MotifClass的新框架提高了弱监督文本分类的能力；自动文本分类主要对低资源小语种实现文本自动分类；论证充分性评估根据前提条件对结论的充分性进行评估。

02

[自然语言处理|NLP] 文本分类与情感分析

当涉及到自然语言处理（NLP）中的文本分类与情感分析时，我们进入了一个广泛应用的领域。这种技术不仅有助于组织和分类大量文本数据，还能够自动判断文本中所表达的情感和情感极性。在这篇博客中，我们将深入探讨文本分类与情感分析的定义、重要性、应用领域、技术挑战以及如何使用NLP来实现这些任务。

科普｜文本分析浅析——文档分类

作者| AyLien 翻译| 康欣校对| 刘熹娜编辑| Ivy 序言自动文档分类是一个很好的例子，说明如何善用机器学习和自然语言处理，让机器更好地处理人类语言。自动分类目的，是给一个文档或一段文字指派一个或多个类别，以方便对文档进行归类和管理。特别是对于出版社、新闻网站、博客或其他需要处理大量文字内容的人和机构来说，人工对文档，并进行分组和分类是极其耗费人力和时间的工作。大体上讲，有两类机器学习方式：监督学习和非监督学习。监督学习方法是在“以往的观察”之上建立模型，这种“以往的观

04

EMNLP 2018 | 短文本分类，腾讯AI Lab联合港中文提出主题记忆网络

论文：Topic Memory Networks for Short Text Classification

02

数据分析：文本分类

本章节中所涉及的知识点偏向于机器学习的范畴，那么机器学习和数据分析有什么区别呢。简单来讲，数据分析是少量数据采样分析而机器学习是海量数据全部分析。比较好的理解一点是，数据分析会总结过去已经发生的事情，而机器学习是为了预测未来发生的事情。这两者也是有相辅相成的关系。我们可以通过机器学习预测的结果，进行数据分析，得到一个相对准确的结论，辅助人们进行决策判断等等。

02

如何在只有词典的情况下提升NER落地效果

今天介绍一个论文autoner[1]，主要是为了探索如何在只有词典的情况下，提升NER实际落地效果；

01

python实现朴素贝叶斯模型:文本分类+垃圾邮件分类

学习了那么多机器学习模型，一切都是为了实践，动手自己写写这些模型的实现对自己很有帮助的，坚持，共勉。本文主要致力于总结贝叶斯实战中程序代码的实现（python）及朴素贝叶斯模型原理的总结。python的numpy包简化了很多计算，另外本人推荐使用pandas做数据统计。一引言　　让你猜测一个身高2.16的人的职业，你一般会猜测他是篮球运动员。这个原理就是朴素贝叶斯原理，因为篮球运动员大多身高很高，所以这个人具有篮球运动员的条件，则猜测他是篮球运动员。　　同理，另一个升高1.58的人，你应该不会猜他是

07

广告行业中那些趣事系列58：当我们面对文本分类任务的时，可以使用哪些优化策略

摘要：本篇主要总结了一下我在实际项目中对于文本分类任务的优化策略，主要包括预训练模型优化、语义embedding优化、分类层优化、使用知识蒸馏优化、使用标签内容信息优化、优化损失函数、通过半监督和主动学习优化、通过样本增强技术优化。对于想要提升线上文本分类任务效果的小伙伴可能有所帮助。

01

授人以渔：分享我的文本分类经验总结

在我们做一个项目或业务之前，需要了解为什么要做它，比如为什么要做文本分类？项目开发需要，还是文本类数据值得挖掘。

01

基于 word2vec 和 CNN 的文本分类：综述 & 实践

本文主要介绍了如何使用深度学习解决文本分类问题，通过对比多种深度学习模型，包括传统的机器学习方法、基于词嵌入的word2vec和基于神经网络的CNN和RNN，阐述了在自然语言处理领域应用深度学习方法的可行性和优势。同时，作者还分享了在实践过程中的一些感悟，包括数据的重要性、实验记录和分析以及尝试多种方法以找到最适合自己问题的解决方案。

07

基于 word2vec 和 CNN 的文本分类：综述 &实践

▌导语 ---- 传统的向量空间模型（VSM）假设特征项之间相互独立，这与实际情况是不相符的，为了解决这个问题，可以采用文本的分布式表示方式(例如 word embedding形式)，通过文本的分布式表示，把文本表示成类似图像和语音的连续、稠密的数据。这样我们就可以把深度学习方法迁移到文本分类领域了。基于词向量和卷积神经网络的文本分类方法不仅考虑了词语之间的相关性，而且还考虑了词语在文本中的相对位置，这无疑会提升在分类任务中的准确率。经过实验，该方法在验证数据集上的F1-score值达到了0.937

09

使用Python和自然语言处理技术进行文本分类和标注

在大数据时代，海量的文本数据需要进行自动化处理和分析。文本分类和标注是自然语言处理领域的重要任务，它们可以帮助我们对文本数据进行整理、组织和理解。今天我们就介绍一下如何使用Python和自然语言处理技术实现文本分类和标注，并提供一些实用的案例和工具。

03

面向量化投资的细粒度金融文本分类，瞰点科技与华师大共同发布GraphSEAT

文本分类任务（text classification）是指根据文本内容自动地将文本分配到预定义类别的过程，是自然语言处理最基本的任务。文本分类的应用很多，如新闻分类、情感识别等，并且能够为更复杂的语言理解任务提供基础，如意图识别、关系抽取、事件检测等。

02

文本分类算法带监督的FastText

FastText是Facebook开发的一款快速文本分类器，提供简单而高效的文本分类和表征学习的方法；其由两部分组成，在文末有连接以及github代码源与文本分类案例。 fastText 原理 fastText 方法包含三部分：模型架构、层次 Softmax 和 N-gram 特征。下面我们一一介绍。 1.1 模型架构 fastText 模型架构如下图所示。fastText 模型输入一个词的序列（一段文本或者一句话)，输出这个词序列属于不同类别的概率。序列中的词和词组组成特征向量，特征向量通过线性变换映射到

09

深度学习文本分类实战报告：CNN, RNN & HAN

本文为 AI 研习社编译的技术博客，原标题： Report on Text Classification using CNN, RNN & HAN 翻译 | 小猪咪、莫尔•约瑟夫、M.Y. Li

02

文本分类算法带监督的FastText

FastText是Facebook开发的一款快速文本分类器，提供简单而高效的文本分类和表征学习的方法；其由两部分组成，在文末有连接以及github代码源与文本分类案例。

03

一份最新的、全面的NLP文本分类综述

Paper：Deep Learning Based Text Classification: A Comprehensive Review（Computer Science, Mathematics-ArXiv）2020

03

离群、异常、新类检测？开集识别？分布外检测？一文搞懂其间异同！

你是否也曾迷惑于“离群检测”，“异常检测”，“新类检测”，“开集识别”，“分布外检测”之间错综复杂的关系？

02

文本分类算法综述

文本分类大致有两种方法：一种是基于训练集的文本分类方法；另一种是基于分类词表的文本分类方法。两种方法出自不同角度的研究者，训练集法更多的来自计算机或人工智能研究领域，而分类表法则更多地来自突出情报领域。本文主要介绍前一种。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭