需要用到哪些技術(shù)和算法？

雖然沒有做過考試題分類，但從描述看起來像是個文本主題多分類的問題。我提供一下的一些思路，效果因為也沒有嘗試過，所以我也不確定是否好。

首先第一步，分類之前肯定是需要提取特征的，也就是把你的考試題向量化。向量化有以下幾種方法。

1. 自己設(shè)置特征，比如設(shè)置中英文字數(shù)，數(shù)字的字數(shù)，自己設(shè)置一些名詞，名詞出現(xiàn)的頻率等，這些特征你自己設(shè)置，最后可以轉(zhuǎn)換成向量

2. 詞袋模型，用TF*IDF表示，具體可以搜一下什么是TF*IDF

3. word embedding模型，該模型結(jié)合了語義信息，比如用word2vec這種可以表示每個單詞的語義向量，整個文檔的語義可以每個單詞加起來，或者直接用doc2vec，python的gensim有api，可以直接實現(xiàn)，但是推薦了解下原理。

上面3個方法，都能把一道題轉(zhuǎn)換成一段向量，這樣就相當于向量的多標簽分類問題了。

分類方法：

1. 可以當成0/1分類問題，即假設(shè)有5個分類ABCDE，你分別訓練5個模型，判斷該向量是否屬于這個分類。這種2分類的方法有很多，效果比較好的，可以直接丟進去的有隨機森林，邏輯回歸，svm

2. 設(shè)置一個閾值，直接搞。假設(shè)考試題A的向量表示是X, 對應的標簽是分類B和C（有ABCDE5類），那最終的結(jié)果向量就是0 1 1 0 0 ，把向量丟到神經(jīng)網(wǎng)絡里，最后連個softmax，輸出每個分類的概率，比如是0.1 0.6 0.8 0.4 0.3, 超過0.5的你就認識是該分類，來訓練。

3. 比較推薦用RNN（lstm/gru都可以）訓練，RNN對這種類型的效果一般都還可以，而且可以適應不同長度的輸入，不用固定成多少維的向量。方法是用word2vec，把考試題的每個單詞向量化了，然后丟到RNN里面（如果題目很長，考慮加入attention機制，cell選擇lstm或者GRU），輸出的結(jié)果接一個sigmoid，就是方法1中的0/1分類問題，如果接個softmax，就是方法2中的設(shè)置閾值

4. 可以嘗試下topic model，比如LDA主題模型。看看每個分類的topic words是什么，然后直接關(guān)鍵字搜索。比如都是分類A的考試題，提取topic word，以此類推。把這些topic word結(jié)合特征1做個分類，但是目測效果隨數(shù)據(jù)集會有很大變化

大致想到了以上的方法，未經(jīng)試驗，僅供參考