我正在尝试编写一个python程序，该程序将决定给定的帖子是否是关于志愿服务的主题。我的数据集很小(只有帖子，它们被逐个检查(，所以像LDA这样的方法不会产生结果。
我的最终目标是一个简单的对/错，一篇帖子是否与主题有关。
我正在尝试这种方法：
- 使用谷歌的word2vec模型，我正在创建一个"；集群"；与单词类似的单词："；志愿者">
CLUSTER = [x[0] for x in MODEL.most_similar_cosmul("volunteer", topn=120)]
- 获取帖子并使用谷歌翻译将其翻译成英语
- 使用NLTK清理翻译后的帖子(删除停止语、标点符号和将帖子变为文字(
- 用翻译的干净的帖子做一个BOW
- 这个阶段对我来说很难；距离"/"相似性"/一些能帮助我得到我想要的正确/错误答案的东西，但我想不出一个好的方法来做到这一点
感谢您的建议和提前提供的帮助。
您试图直观地即兴制定一组步骤，最终将这些帖子分为两类，"志愿服务"；以及"；不是自愿的"；。
你应该在网上寻找这样的例子：；文本分类"；与您的任务类似的，通过它们(使用它们的原始演示数据(进行理解，然后逐步调整它们以使用您的数据。
在某种程度上，word2vec可能对你的任务有帮助，但我不会从它开始。同样，消除停止词、执行旅名化等最终可能会有所帮助，但不一定是重要的。
你通常想从获取(如果必要的话，通过手工标记(一组训练文本开始；志愿服务"；或"；不自愿"；值(已知标签(。
然后，为文本创建一些特征向量——一种简单的开始方法是"；单词袋；代表。
然后，将这些具有已知标签的表示提供给一些现有的分类算法。Python中流行的scikit-learn包提供了许多功能。也就是说：你还不需要担心选择计算"；距离"/"相似性"/指导你自己的特设分类器的东西。只需将标记的数据输入一个(或多个(现有分类器，并检查它们的表现。许多人会在内部使用各种类型的相似性/距离计算，但这是自动的，并且从选择&配置算法。
最后，当你有一些东西从头到尾都在工作时，无论结果有多温和，都可以尝试其他预处理文本的方法(停止单词删除、旅名化等(、特征化文本和其他分类器/算法参数化-来比较结果，从而发现在给定特定数据、目标和实际约束的情况下，哪些方法效果良好。
CCD_ 2〃；使用文本数据"；该指南值得一读；工作，以及他们的"；选择正确的估计器"；地图有助于了解替代技术和主要算法的广阔地形，以及不同的技术和算法何时适用于您的任务。
此外，像Jake Vanderplas(github.com/jakevdp(和Olivier Grisel(github.com/sogrisel(这样的scikit-learn贡献者/教育工作者有许多在线笔记本/教程/存档视频演示，这些演示贯穿了所有的基础知识，通常包括与您类似的文本分类问题。