目前，我正在构建一个多类文档分类器，它必须对 3 个已知类进行分类，即“财务报告”、“Insurance_Sheet”、“背书”和一个未知类，即“随机 PDF”。

对于文档嵌入，我创建了管道 [TfidfVectorizer + SVD（用于降维）] 并拟合训练集（没有未知标记的文档或“随机 PDF”类的文档），然后使用该管道转换所有文档.

对于分类分为2个阶段：

• 第 1 阶段：使用 One-Class SVM 分离未知和已知标记的文档以进行异常检测。理想情况下，未知文档将被分箱以进行手动标记，而已知标记的文档将被转移到阶段 2。
• 第 2 阶段：为已知标记的文档训练多类（3 类）分类器。这适用于线性 SVC。

我的问题是在第一阶段，未知文档无法被检测为异常值（或未知标签），但所有未知文档都被 One-Class SVM 归类为“已知标签”。进一步的错误分析，我意识到我的未知文件是股东公告，它与已知的标签文件，即财务报告非常相似。

你能帮我建议任何更好的设计流程来处理这种多类文档分类吗？谢谢你的支持 ！