我必须处理文本分类问题。网络爬虫爬取某个域的网页，对于每个网页，我想知道它是否只属于一个特定的类。也就是说，如果我称这个类为Positive，每个爬取的网页要么属于Positive类，要么属于Non-Positive类。
我已经有大量针对Positive类的网页训练集。但是如何为非阳性类创建一个尽可能具有代表性的训练集呢？我的意思是，我基本上可以使用该课程的所有内容。我可以只收集一些绝对不属于Positive类的任意页面吗？我确信文本分类算法（我更喜欢使用朴素贝叶斯算法）的性能很大程度上取决于我为类Non-Positive选择的网页。
那我该怎么办？有人可以给我一个建议吗？非常感谢你！
Spy EM 算法正好解决了这个问题。
S-EM 是一种文本学习或分类系统，它从一组正样本和未标记样本（无负样本）中学习。它基于“间谍”技术、朴素贝叶斯和 EM 算法。
基本思想是将你的正集与一大堆随机抓取的文档结合起来。您最初将所有爬网文档视为负类，并在该集合上学习一个朴素贝叶斯分类器。现在，其中一些爬网文档实际上是肯定的，您可以保守地重新标记得分高于最低得分的真阳性文档的任何文档。然后你迭代这个过程，直到它稳定。
这是一篇关于一类分类的好论文：
本文介绍了支持向量数据描述（SVDD）方法，它是一类支持向量机，它在数据周围找到一个最小超球面，而不是一个分离数据的超平面。
论文还回顾了其他一类分类器。
良好的训练需要能够提供对各个类别概率的良好估计的数据。每个分类问题至少涉及两个类别。在您的情况下，第二类是不在积极类中的任何人。要使用贝叶斯或任何其他好的方法形成一个好的决策边界，最好使用从类中随机选择的尽可能多的训练数据。如果您进行非随机选择，您可能会得到一个不能真正代表类条件密度/分布形状的样本，并且可能导致决策边界的选择不佳。
我同意迈克尔的观点。
关于你关于随机选择的问题；是的：您必须从“正面”的互补集中随机选择。如果有任何混淆，您的“阳性”可能没有完全定义为“纯阳性”，如果我可以使用该短语，那么您也可以尝试至少某种匹配的阳性定义，以便您将控制那些可能对“阳性”定义产生一些污染的变量。在这种情况下，您还必须在“非积极”方面相应地匹配相同的变量。