首先为文档提出一些功能。与该主题相关的一些流行词的频率之类的东西可能会起作用。通过这种方式获取所有文档的特征，然后应用一些算法。您可以应用它们的一些方法是：

1）k手段——根据特征对文档进行聚类。每个集群应主要与特定的分值相关联。然后查看新文档将分配到哪个集群。

2) 监督学习 - 使用神经网络、多类 SVM 等使用您生成的模型将新文档分类到特定类（分数）。

所有这些都是分类到离散分值的示例。但是，由于您处理的分数范围很大（0-2000），您也可以尝试回归之类的方法，它会给您一个连续值，但可以四舍五入到最接近的离散值。

查看 Coursera 机器学习课程，了解精彩介绍！

基本上这是一个分类问题。

您需要对 y(rank) ~ x(Document) 建模。当你得到一份新文件时，你需要一个估计的排名。

您可能需要考虑的事项。

• 需要2000个类标签，或者有​​什么方法可以将类标签减少到3个类等（类标签==分数）
• 我如何代表我的文件。简而言之，它们必须用数字表示。（方法 - 一种热编码、TFIDF、嵌入等）
• 最后一个问题，我应该使用哪个分类模型？

线性代数和 Andrew Ngs ML 课程是一个很好的起点。

这要求数据集可以保留在 RAM 中，但它可以使用 sklearn 完成我想要的操作：

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import Ridge


corpus = [
    'postgresql is great software for database engineering',
    'postgresql is spam',
    'spam & egg',
    'postgresql is the same as pg',
    'more database is great stuff',
]

test = [
    'postgresql is spam & egg',
    'pg is a great database software',
]

vectorizer = CountVectorizer(min_df=1)
X = vectorizer.fit_transform(corpus)
y = np.array([[10, 1, 0, 7, 6]]).T  # documents score
clf = Ridge(alpha=1.0)
clf.fit(X, y)

Z = vectorizer.transform(test)

print(clf.predict(Z))