определение вероятности тематики докумета

Если попустить что Вы делаете поисковик для предприятия то почему бы не делать это по % содержанию ключевых слов, ведь не будет же там никто доры делать!!!! 😂

Ну а если поисковик для масс, то как ни крути, идеального алгоритма нет, всеравно "поимеют" спамеры...хотя рецепт есть.

% вхождения - это слишком простая мера - тут хотябы термины в кластер собрать.

А смысл? Это что то из разряда: Если нет проблем - их нужно создать.

А как на счет семантики? Правда, тут обойти проблему использования словарей не получится, но, как по мне, очень даже перспективное направление.

Кстати, не подскажете, где можно найти готовый тэзарус по любому направлению, можно даже на английском языке, главное, чтобы он был в формате XML. Буду очень благодарна за подсказку