我不久前做过类似的事情。我们想对几种类型的 pdf 进行分类。

• 我们首先提取了文档的文本。
• 我们用文本创建了 NLP 特征
• 然后添加pdf元数据：文件大小，页数，文档名称......
• 然后我们用几个样本建立了一个分类模型并进行了主动学习

我想你也可以进行无监督学习，但是当你可以进行监督学习时，我更喜欢它。

一种常见的方法是 LDA（潜在狄利克雷分配），它不仅为您提供组，而且还通过为您提供每个主题的最常见或最独特的词来识别组的主题。