您可以将问题描述为分类。特征是文本和日月。目标是离散类别标签之一（即，SOCIAL_EVENT 或 PROFESSIONAL_EVENT）。

在时间序列中，您使用过去的数据来预测未来。因此，您在时间 t 的文本是您需要分类的文本。但是您的数据可以有滞后数据作为输入，甚至可以有一些基于过去 N 点的聚合函数。在时间序列中，我们在移动窗口上使用平均值和标准。

例如，包括滞后：模型的输入数据：

[curent text, previous text, text before previous text]

使用词袋转换：

[word 1 in text 1, ... ,word n in text 1, word 1 in text 2, ... , word n in text 2 ...] 

这里位置很重要，但神经网络可以识别它。

由于您的文本数据本质上是顺序的，因此最好选择顺序分类，请参阅下面的论文和教程以获取更多信息。

• 序列分类简述：本文讨论了（常规）序列分类的几种扩展

• 使用 Keras 在 Python 中使用 LSTM 递归神经网络进行序列分类：序列分类是一个预测建模问题，您在空间或时间上有一些输入序列，任务是预测序列的类别。这里 LSTM 模型用于序列分类。

• 使用深度神经网络进行时间演化文本分类：论文探讨了用于时间演化文本分类的演化神经网络模型

• 基于文本数据的序列模式挖掘算法：以故障文本记录为例 本文采用序列挖掘文本算法对文本数据中的故障序列模式进行挖掘。你可以用这个

• Sequential Learning of Convolutional Features for Effective Text Classification：本文提出了 Sequential Convolutional Attentive Recurrent Network (SCARN)。与之前提出的循环卷积模型相比，所提出的 SCARN 模型有效地利用了循环结构和卷积结构的优点。