我遇到了一些文本分类问题，需要您的帮助来了解处理它的最佳方法。
问题陈述如下：假设我有一组描述某种产品的句子（假设它们是家具）。每个句子都需要用一个来自 10 个可能类名册的类进行标记。这 10 个类别指的是项目的可能属性，例如柔和度、亮度等。最重要的是，句子包含每个项目的情绪信息（好、坏、中性）。例：“我对这个沙发的性能很满意，真的很软”。
第一个问题是：你将如何处理用类别和情感标记每个句子的问题？
现在，为了让事情变得更复杂，假设每个句子最多可以描述 3 个具有相对情绪的项目。 在这种情况下，您将如何处理多输出情感+类别问题？
非常感谢您的帮助！
对句子进行词元化并使用词元频率作为特征。
建立两个模型：
现在您可以将每个句子映射到主题和情绪，这将告诉您客户是否喜欢或不喜欢（情绪）柔软度（主题）。
通常一个句子只有一个主题，但是，如果每个句子确实需要多个主题，则可以使用predict_proba或类似并使用概率超过 0.3 的所有类。
上述方法在类似的句子上失败了
我喜欢柔软，但讨厌这种设计。
因为句子的总（平均）情绪可能是neutraland 我们错过了softness-goodand design-bad。
因此，很容易将类的数量增加三倍topic-sentiment( ) 以容纳类似的评论
这张桌子结合了宜人的设计、脆弱的构造和中性色。
问题是为很多类构建模型需要大量的训练数据。IOW，您将需要手动注释大量评论 - 即使模型质量不太可能满足您的期望。
如果您确实需要处理多主题的句子，您可能需要考虑一种“更深入”的方法。
具体来说，看一下句子的解析树。