示例数与类数之比并不大。很少有类的出现次数很高（来自第二张图），并且分布似乎遵循幂律。

在这种情况下，我会建议以下策略，

1. 按出现次数对标签进行排序，并丢弃出现次数很少的标签。这将使问题更容易处理。
2. 您可以对从经典机器学习技术中获得的准确性进行基准测试。许多经典方法支持多标签输出，您可以在此处查看scikit-learn 库中的支持文档。
3. 您可以混合使用无监督学习和最近邻方法。例如，在您的数据中学习 doc2vec 嵌入，包括标签，并从最近的匹配文档中建议标签以用于新输入。根据 doc2vec 标准，文档数量很少，您需要仔细调整 doc2vec 参数。
4. 使用神经网络，您可以使用更合适的损失函数，例如多标签软边距损失。

我建议您从经典技术开始，首先对潜在准确性进行基准测试。

实际上，您可以通过深度学习轻松解决这些类型的问题。想一想一个聊天机器人，它可以在给定问题的情况下生成答案。如果我们认为每次都像您提到的那样，最终的 softmax 层应该预测类似于词汇量大小的概率分布。但事实并非如此。我们使用称为噪声对比估计 (NCE_LOSS) 的损失函数。在这里，我们对最可能的单词进行采样并使用它们来计算 softmax 层。这里我会提一下Tensorflow之类的来理解这个场景。

• TF NCE 损失
• 关于候选人抽样的博客

您可以了解讲师 Rick Scavetta 如何将短新闻项目的“路透社新闻专线数据集”处理成 46 个新闻类别（例如，体育棒球）。政治/美国）。我认为这与您的问题非常相似。

R 降价文件

• 视频教程目前正在制作中。我喜欢这种风格。
• 使用深度学习和 Keras 的 R 接口，他只为每个新闻站点分配 1 个类，而不是 4 个或更多
• 测试准确率为 77%（但也许你可以用更好的词汇做得更好）
• 据我所知，您需要一个带有单词排名的词典（它们有多重要。诸如“the”之类的停用词和超稀有词需要排名较低）