处理此问题的一种方法是使用“监督分类”。在此模型中，您手动对数据子集进行分类并使用它来训练您的算法。然后，您将剩余的数据输入到您的软件中以对其进行分类。

这是通过 NLTK for Python (nltk.org) 完成的。

如果您只是在寻找“硬件”和“软件”之类的字符串，这是一个简单的用例，您可能会使用“特征提取器”获得不错的结果，它会通知您的分类器文档中哪些短语是相关的。

虽然可以实现一种自动查找关键字的方法，但听起来您已经有了一个列表，因此您可以跳过该步骤并只使用您知道的标签。（如果您的结果第一次不令人满意，您可以稍后尝试）。

这是入门的概述。如果你对最初的结果不满意，你可以通过引入更复杂的方法来改进你的分类器，例如句子分割、对话行为类型的识别和决策树。天空是极限（或者更有可能，你的时间是极限）！

更多信息在这里。

Sheldon 是对的，这听起来像是一个相当典型的监督分类用例。如果您的所有客户投诉都是软件或硬件（即，零个人投诉涵盖这两个类别，并且零在这两个类别之外），那么您所需要的只是一个二元分类器，它使事情变得比其他方式更简单。

如果您正在寻找支持此类功能的基于 Java 的 NLP 工具包，您应该查看Stanford Classifier ——它在 GPL 下作为开源软件获得许可。

他们的 wiki 页面应该可以帮助您开始使用分类器——请记住，正如 Sheldon 所提到的，您需要手动注释大量数据样本作为训练集。