我有一堆从 MOOC 网站提取的 .txt 和 .srt 文件，它们是视频的脚本。我想将脚本分成几部分，使每个部分都属于以下类别之一：
MainConceptDescription-> 主要概念的
SubConceptDescription解释-> 与主要概念相关的子概念的解释
Methodology / Technique-> 要实现某些目标，应该做什么做
Summary-> 讨论的材料或整个课程的总结-> 概念
Application的实用建议
Example-> 概念示例

现在，对于前两个，我想我应该尝试应用潜在狄利克雷分配来提取主题。另一个想法是查看资源名称并在文本中搜索这些单词。另一个想法是阅读一些资源并为每个类别手动修复某种字典，然后创建正则表达式模式并在文本中搜索它们。

但后者似乎太蹩脚了。所以现在我不确定我能做什么。我看过类似的研究论文作品，但是研究论文有自己的特定表达方式等，这些表达或多或少是恒定的，并且在大多数论文中都可以看到，但我的视频脚本并非如此，它是 100% 口语自然语言我需要继续努力。你有什么想法我该怎么做？我确实有一个关键字列表，表示是跟随一个示例还是解释了一个概念，但我是手动执行此操作，这肯定不是我想要为 563 个文件执行的操作，因为它可能会变得更多。

此外，我想将找到的主题与本体联系起来，以丰富每个文件的元数据。我也不知道如何处理这个问题。任何建议将不胜感激。

如果我的解释没有意义，请原谅我。我对术语不太熟悉。因此，如果您还解释了您使用的一些术语，我也会很感激。请就我可以尝试的算法提出建议。