用于改进推荐系统的多语言自由文本项文本分类
Multilingual free-text-items Text Classification for improving a recommender system
为了改进买家Material组的推荐系统，我们公司愿意使用客户历史支出数据训练模型。该模型应根据历史 "Short text descriptions" 进行训练以预测适当的 BMG。数据集有超过 500.000 行，文本描述是多语言的（最多 40 个字符）。
1.Question：如果我考虑到描述是多种语言的事实，我可以使用监督学习吗？如果是，多项式朴素贝叶斯或 SVM 等经典方法是否合适？
2.Question：如果我想改进第一个模型以防它表现不佳，并使用无监督的多语言嵌入来构建分类器。我以后如何在数字标签上训练这个分类器？
如果您有其他想法或方法，请随意:)。 （这是一个简单的文本分类问题）
Can I use supervised learning if i consider the fact that the descriptions are in multiple languages?
是的，这不是问题，只是它会使您的数据更加稀疏。如果您实际上每个项目只有 40 个字符（不是 40 个单词吗？），您可能没有足够的数据。监督学习的主要挑战还在于你是否有数据标签。
If Yes, are classic approaches like multinomial naive bayes or SVM suitable?
它们会一如既往地工作，尽管如今构建矢量表示可能是更好的选择。
If i want to improve the first model in case it is not performing well, and use unsupervised multilingual emdedding to build a classifier. how can i train this classifier on the numerical labels later?
假设数字标签是原始数据上的标签，您可以将它们添加为标记，如 LABEL001，如果您想制作无监督推荐系统，模型可以学习它们的表示。
老实说，这些天我不会从朴素贝叶斯或经典模型开始，我会直接使用词向量作为聚类的第一个测试。使用 fasttext 或 word2vec 非常简单。主要问题是，如果您真的每个项目只有 40 个字符，那么可能没有足够的数据来进行有用的聚类。
为了改进买家Material组的推荐系统，我们公司愿意使用客户历史支出数据训练模型。该模型应根据历史 "Short text descriptions" 进行训练以预测适当的 BMG。数据集有超过 500.000 行，文本描述是多语言的（最多 40 个字符）。
1.Question：如果我考虑到描述是多种语言的事实，我可以使用监督学习吗？如果是，多项式朴素贝叶斯或 SVM 等经典方法是否合适？
2.Question：如果我想改进第一个模型以防它表现不佳，并使用无监督的多语言嵌入来构建分类器。我以后如何在数字标签上训练这个分类器？
如果您有其他想法或方法，请随意:)。 （这是一个简单的文本分类问题）
Can I use supervised learning if i consider the fact that the descriptions are in multiple languages?
是的，这不是问题，只是它会使您的数据更加稀疏。如果您实际上每个项目只有 40 个字符（不是 40 个单词吗？），您可能没有足够的数据。监督学习的主要挑战还在于你是否有数据标签。
If Yes, are classic approaches like multinomial naive bayes or SVM suitable?
它们会一如既往地工作，尽管如今构建矢量表示可能是更好的选择。
If i want to improve the first model in case it is not performing well, and use unsupervised multilingual emdedding to build a classifier. how can i train this classifier on the numerical labels later?
假设数字标签是原始数据上的标签，您可以将它们添加为标记，如 LABEL001，如果您想制作无监督推荐系统，模型可以学习它们的表示。
老实说，这些天我不会从朴素贝叶斯或经典模型开始，我会直接使用词向量作为聚类的第一个测试。使用 fasttext 或 word2vec 非常简单。主要问题是，如果您真的每个项目只有 40 个字符，那么可能没有足够的数据来进行有用的聚类。