关于文本分类的一般问题

Question

我是主题模型，分类等的新手......现在我已经做了一个项目并阅读了很多研究论文。我的数据集由人类标记的短消息组成。这是我到目前为止所提出的：

• 由于我的数据很短，我读到了Latent Dirichlet Allocation（及其所有变体），这对于检测文档中潜在的单词非常有用。
• 基于此，我找到了JGibbLDA http://jgibblda.sourceforge.net的Java实现，但由于我的数据被标记，因此对此进行了改进，称为JGibbLabeledLDA https://github.com/myleott/JGibbLabeledLDA
• 在大多数研究论文中，我阅读了关于Weka的好评，所以我在我的数据集中搞砸了这个
• 然而，我的数据集再次被标记，因此我找到了Weka的扩展名为Meka http://sourceforge.net/projects/meka/，其中包含多标记数据的实现
• 阅读多标签数据，我知道最常用的方法，例如one-all-all和链分类器......

现在我来这里的原因是因为我希望得到以下问题的答案：

1. LDA是解决我问题的好方法吗？
2. 应该LDA连同分类器（NB，SVM，二进制相关性，Logistic回归，...）使用，或者是新的，未知的数据？
LDA“足够”用作分类器/估计器
3. 我如何解释来自JGibbLDA / JGibbLabeledLDA的输出。如何从这些文件中获取一些信息，告诉我为WHOLE消息分配了哪些单词/标签（而不仅仅是每个单词）
4. 我如何使用Weka / Meka在前一个问题中找到我想要的东西（如果LDA不是我想要的话）

我希望有人或不止一个人能帮助我弄清楚我是如何做到这一点的。一般的想法都不是问题，我只是不知道如何从文学到实践。大多数论文都没有给出足够的描述，说明他们是如何进行实验的，或者对于我对这些主题的背景来说过于技术性。

谢谢！