问题一：品类预测

要预测新博客文章的类别，您可以执行以下操作：

• 构建一个 MLP（多层感知器，一个非常简单的神经网络）。每个类别都有一个输出节点，每个标签是一个二进制输入节点。但是，这仅在标签数量很少时才有效。添加新标签后，您将不得不重新训练网络。
• 构建一个以“重要词”为特征的 MLP。
• 如果您有内部链接，您可能想查看“基于动态内容的网络中的节点分类”。如果你是德国人，你可能也会喜欢Dynamischen Netzwerken mit Inhalt 中的 Über die Klassifizierung von Knoten
• 您可以将当前拥有的所有单词视为向量空间。修复那个词汇（并可能删除一些无意义的词，如“with”、“a”、“an”——这通常称为“停用词”）。对于每个文本，您计算词汇表中的不同单词。一篇新的博客文章就是这个领域的重点。利用$k$ 用于分类的最近邻。
• 通过让每个预测器对分类进行投票来使用不同预测器的组合。

也可以看看

• 杨一鸣，Jan O. Pedersen：文本分类中特征选择的比较研究，1997。
• Scikit-learn：处理文本数据

问题 2：标记文本

这可以像问题 1 一样处理。

问题 3：查找位置

下载国家/城市数据库（例如maxmind），然后搜索匹配项。

对于文本数据，线性 SVM仍然是最先进的。

对于命名实体识别，查找一些 NER 工具包。

您可能想查看Naive Bayes 分类器或查看此页面上的机器学习非常简单的文本分类。您还可以查看Stanford Named Entity Tagger。