这不是答案（我没有足够的声誉发表评论）。我在硕士论文中做了一些与此类似的事情，并认为它与您感兴趣的内容很接近。

在其中，我开发了一个框架，用于从基于 Web 的教育内容中提取元数据。该元数据用于对许多不同属性的教育内容进行分类，然后可用于更快、更有效地搜索和发现教育内容。

教育资源（包含内容）可以是诸如作业、家庭作业、作业、在线书籍、考试问题、课程等（许多大学在线托管）的文本或 PDF 文件。为了确定它是什么类型的教育资源，我会解析文本并查找关键字和格式样式（预处理包括构建 2-gram 和 3-gram、POS 标记、使用小的特定解析器用于 NER、日期和其他文本实体之一教育内容中的相遇）。

对于某些部分，我使用 Wordnet（也可以在 python-nltk 下使用）来获取不同实体之间的关系，并找到它们之间的密切关系。还使用了 DBpedia。但是，在大多数情况下，我必须确定最常出现的术语并手动构建分类法。（花了很多时间！）。通过查看公开可用的分类法，我获得了很多关键字候选者。

为了提取特定领域的分类/本体，需要手动构建它。从文本生成本体是一个活跃的研究领域，构建特定领域的本体已经尝试了很多年。这种分类法（此处为词库）的一个示例是agrovoc，其中领域专家通过手动识别农业实体为知识做出了贡献。

有很多地方可以使用特定领域的词汇；也许你可以使用它。在某些方面，它接近于有监督的机器学习，其中有一些很好的数据和相应的很好的输出。然而，就我而言，它并没有太多的学习——更像是模板匹配。

希望这可以帮助。