我正在使用AngelList DB根据行业对初创公司进行分类，因为这些初创公司是根据社区输入进行分类的，这在大多数情况下都是令人误解的。
我的业务目标是提取指示此特定初创公司所属的行业的关键字，然后将其映射到LinkedIn表https://developer.linkedin.com/docs/reference/industry-codes中指定的行业之一。
我尝试了Azure机器学习，在其中推送了300个初创公司的描述，并分析了关键字提取非常糟糕，甚至与我要达到的目标都不接近。
我想知道数据科学家将如何解决这个问题？我应该在哪里看？而我不应该在哪里？是关键字分析工具（例如Google Adwords关键字规划师是一个可行的选择）
最佳答案
使用文字分类...
为了将其视为分类问题，您需要一个训练集，该训练集是一组用正确的LinkedIn类别标记的AngelList条目。这可以手动完成，也可以雇用一些Mechanical Turks为您完成这项工作。
由于您有〜150个类别，因此我想您至少需要20-30 *个AngelList条目。因此，您的训练集为{输入：angellist_description，结果：linkedin_id}
之后，您需要深入研究文本分类技术，以尝试和优化结果的准确性/准确性。 《 Taming Text》一书中有完整的章节介绍了文本分类。实施基于文本的分类器的一个好工具是Apache Solr或Apache Lucene。
* 20-30是个人快速估算，并非基于科学方法。您可以在线查找一些方法以获得良好的估算方法。
关于machine-learning - 从描述中找到创业行业，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/36291712/