看看 20ng 数据集及其分类技术。它是新闻文章的集合，分为 20 类。它与您的不完全相同，但相似。你提到的关于蒂姆库克的第二行可能是一个很难分类的句子，所以我建议你在开始之前有一个好的训练数据集。

对于简单的开始，您可以尝试文本清理和标记化。请参阅this，已经提供了一个先前的答案，其中包含相关链接和更多信息。

对于进一步的主题分类技术，我发现这个在 20ng 上的表现非常好

我为您提供了一些执行此任务的步骤：

1. 从新闻中提取纯内容，例如使用dragnet。

2. 标记每个文本并使用词袋技术用向量表示它们。执行此操作的一种简单方法是使用sklearn中的 TfidfVectorizer。

3. 使用诸如k-NN（k 最近邻）之类的分类技术对它们进行聚类。您会发现 k-NN sklearn 实现非常有帮助。

执行该任务的关键是使用TfidfVectorizer，它对仅出现在少数通知中的令牌进行加权，例如“Apple”和“Tim Cook”。使用简单的计数矢量化器将没有用处。