我有一个有趣的问题，我一直在努力解决。
任务看似简单——给定一个类列表和一些属于该类的样本/规则，将所有相关的文本样本分配给它。所有的课程都可以说是不同的，但它们在词汇方面有高度的重叠。
精度最重要，但可接受的召回率约为 80%。
这是我的处理方式：
检查是否有任何样本与班级语料库中的样本有直接的单词匹配/引理匹配。 （精度高但召回率低——让我覆盖了大约 40% 的文本）
由所有类的词库和剩余的文本样本组成一个cosine_sim矩阵。在经验阈值处切断，它帮助我识别出一些非常相似的新文本。 （覆盖的文字可能多 10%）
这是我决定做一些创造性工程的地方。
我将单词匹配/引理匹配/嵌入匹配（使用 sbert）选取的每个样本附加到班级的单词语料库中
基本上我增加了班级的样本数量。请注意，有 35 个以上的类，即使使用这种方法，我每个类也可能有大约 200-250 个样本。
我把每个类的样本通过sbert转化为embeddings，然后用UMAP降维。 UMAP 还有一个次要但较少使用的用例：它可以学习表示并将新数据转换为类似的表示！我使用这个概念将文本转换为嵌入，然后通过 UMAP 减少它们，并保存 UMAP 转换。使用这种简化的表示，我构建了一个投票分类器（使用 XGB、RF、KNearestNeighbours、SVC 和逻辑回归）并将其设置为硬投票标准。
未分类的文本通过预测管道（sbert 嵌入 -> 通过保存的 UMAP 转换较低暗淡的嵌入 -> 通过选民预测类别）
问题是，我现在的准确率和召回率都很低。有什么新的东西我可以尝试改进我的处理/可能是一种更好的方法来分类这个文本吗？
请让我知道我还能尝试什么。
谢谢！