我正在尝试创建一个分类器，其中用户的“手动”工作较少。对于较少的手动工作，我的意思是不会像机器学习（监督）那样对训练集进行手动标记的初始阶段

我的数据集由不同类的实例组成。它们是为不同客户提供指定产品订单的文件。每个客户都有自己的模板。

例如我得到：

[Client A]
Image
Date: xxx  Order: 
Products:
Table

[Client B]
Date: xxx
Order
Image
Products:
table
Image

现在我正在对每个文档进行分类，检查是否存在由用户手动识别的指定特征（按区域和使用编辑距离）

这些类确实不同（在某些情况下），并且尝试像凝聚聚类这样的无监督分类器，类的拆分非常好。之后，使用TF/ICF之类的度量通常是那些获得更大值的特征（在我的例子中，我使用标记化和规范化的文本作为特征）是在我的手动分类中使用的那些。

我用于停止聚类迭代的标准是不同的（我有不同的配置），例如最大距离或最大聚类数。

之后，我认为当创建集群时，最后的用户将通过在每个集群中找到的最佳 TF/ICF（术语频率，逆集群频率）特征来标记每个集群，以识别类别。之后，集群将像“分类器”一样使用。我知道这种方法会导致分类更差，但这不是问题。

问题是当两个类非常相似时（例如，我得到的类的区别只是客户代码），它们真的很难拆分。

关于如何解决这个问题的任何想法？而且，有一种方法可以让我的算法找出通量中是否存在“新类”？