我想预测一个产品属于哪个产品类别。总共有 400k 产品需要从旧的（不太精炼的）转换到新的产品类别树。（例如，闹钟过去属于“电子产品”，现在属于“闹钟”。）到目前为止，36k 产品已经部分分配到约 400 个（800 个）新产品类别中。填充率从 1% 到 95% 不等。
产品数据（除其他外）包含变量：名称、描述、价格、尺寸、颜色和旧标签。这个想法是通过标记化 -> TF-IDF 从非结构化变量中构建特征。
建议的方法：
- 在标记数据上训练一个多标签预测模型（例如 Ridge 分类 + 分层 CV）。然后仅根据旧产品树预测包含所有可能产品的子集的类别。（例如，预测未标记的“电子产品”产品是否为“闹钟”）
- 基于预测的概率，将未标记的产品呈现给内容管理器，如果被标记，将导致最高的信息增益。
- 建议应将剩余的 400 个类别扩展到哪些范围（例如 60%）以及首先标记哪些产品。
您首选的方法是什么？