我有一个用例，其中聊天文本将被分类。我想在Apache OpenNLP中使用DocumentCategorizer来分类聊天。但为此，我必须有训练数据，聊天已经分类。我是否必须手动分类数百个聊天以准备培训和测试数据？我还可以做些什么？我打算将聊天类别作为与服务相关的问题。这个类别列表将是特定于域的。该数据的提供者是否应该向我提供分类的聊天数据？提前致谢。
根据定义，没有标记数据就不会出现分类问题。有人标记（至少部分）数据，或者您应该尝试以不同的方式解决问题。
- 编辑添加一些如何在不分类的情况下解决问题的示例：
通常，根据具体任务，您可以尝试通过群集或/和文档或术语匹配来解决“分类”问题。聚类会将与同一主题相关的文档组合在一起，而术语匹配则会观察引用特定术语的文档。如果没有可用的培训数据，但您对该问题有一些了解，则无论是方法还是它们之间的组合都可能足以满足您的信息需求。
对于您的具体问题，我会开始尝试聚集聊天。
虽然群集可以让您对文本进行分类并识别其中的主题，但是无监督的方法通常会降低控制分类性能的灵活性，但如果您没有标记数据，它们仍然是最佳工具。
然而，最近零射击和少射击学习的进步可以让你建立你的分类器很少（100 - 200训练数据）或根本没有训练数据。您的分类器仍然保留了监督分类器的所有好处，并为您提供对类别的所有控制。
我已经构建了一个这样的系统，您可以在自己的类别和数据上试用demo，以查看系统的运行情况。
其他资源：