我推荐这些书——它们在亚马逊上也得到了很高的评价：

Weiss的“文本挖掘”

“文本挖掘应用程序编程”，作者：Konchady

对于软件，我推荐 RapidMiner（带有文本插件），免费且开源。

这是我的“文本挖掘过程”：

• 收集文档（通常是网络爬虫）
  • [样本如果太大]
  • 时间戳
  • 去除标记
• 标记化：分解成字符、单词、n-gram 或滑动窗口
• 词干提取（又名词形还原）
  • [包括同义词]
  • 请参阅搬运工或雪花算法代词和文章通常是不好的预测器
• 删除停用词
• 特征向量化
  • 二进制（出现或不出现）
  • 字数
  • 相对频率：tf-idf
  • 信息增益，卡方
  • [具有包含的最小值]
• 加权
  • 文档顶部的单词权重更高？

然后你就可以开始对它们进行分类了。kNN、SVM 或 Naive Bayes（视情况而定）。

你可以在这里看到我的一系列文本挖掘视频

涵盖您提到的主题的一篇很棒的介绍性文本是Introduction to Information Retrieval，可免费在线获取全文。

对于大量文档，神经网络可能会变慢（现在也已经过时了）。
您还可以检查分类器中的随机森林；它非常快，扩展性很好，不需要复杂的调整。

首先，我可以向您推荐Manning 和 Schütze所著的《统计自然语言处理基础》一书。

我会使用的方法是词频分布和 ngram 语言模型。当您想要对主题进行分类并且您的主题是具体且专家（具有关键字）时，第一个效果非常好。当您想要对写作风格等进行分类时，Ngram 建模是最好的方法。