Делал аналогичное для русских текстов. Надо данные смотреть. По времени 1-2 недели.

Для справки. Пять или 200 категорий - две большие разницы.
Когда 5 категорий, примеры набрать легко.
А когда 80+, то даже теоретически возникают пересечения смысла классов в общем домене, что сильно затрудняет разметку. Резко растёт рассогласование между экспертами.
И будет много классов с малым количеством документов.

Даже если категории специфические? Например, виды спорта. Так же статья может иметь несколько категорий, а не одну. Я понимаю, что различить спортивную гимнастику от художественной гимнастики будет сложно, но в целом будет достаточно уровня, что это про гимнастику и про спорт в целом

Есть приколы между футболом, криминалом и войной, например.
Атаки, удары, защита,  нападения, жертвы и т.п.
В коротких текстах это может быть забавно.
Но это не самое страшное.

Страшнее когда в очереди за пивом ударили по голове спортсмена бутылкой.
Это про спорт?

Озадачили) Наверное про спорт, но тут получается, что нужно еще делить на позитивные и негативные новости

Если известный спортсмен получил по голове, то это и спорт и светская хроника. А если неизвестный, то это рубрика криминал и ничего больше )

Говоря научно, есть главные темы, вспомогательные и упоминаемые, и ещё многозначные.
С первыми нет проблем.
Дальше степень согласия между экспертами начинает резко падать.
Надо задавать критерии, лучшими критериями являются критерии качества к результатам, предъявляемым конечному пользователю

Как Вы понимаете, это один из самых простых примеров, всем понятный.
Если речь идет о налогах, таможне, законодательстве, культуре и тп, все ещё веселее.

А есть ещё интересные NE, например, футбольная  команда КПРФ...

А когда Ростов выиграл у Краснодара?
Если без кавычек и регистра?

Это я все к тому, что "две недели".
Для 5 рубрик - да.
Для 200 с хорошим качеством гораздо дольше и сложнее, в том числе организационной.

А если сузить контекст? Новостные сайты часто указывают категории, поэтому в дополнении к тексту можно использовать информацию о категории. Это упростит решение?

Кстати, Ростов  vs Краснодар это футбол, а Химки vs Казань это баскетбол.

Я просто хотел сказать, что на самом деле классификация потока для реальной бизнес задачи это прежде всего бизнес процесс.
И решать надо самосогласовано, рассматривая конкретные бизнес задачи.
С учётом целевой аудитории.

Примеры из жизни:
1. Пресловутый Ростов и Краснодар. Пока пользователи были из центрального офиса большой корпорации, их регионы в таком контексте не волновали.
Затем подключили региональные офисы, им стало важно любое упоминание региона. То есть изменились в один момент правила классификации.

2. Рубрика "для женщин", туда входят новости про детей, но ни в коем случае негатив- то есть дополнительно не  тематические критерии.

И ведь это надо осознать...
Причём желательно заранее для оценки затрат.

Интересный проект, может кому пригодится:

https://pair-code.github.io/lit/

Когда много узких категорий лучше использовать иерархию классов. Сначала определяем по общей теме - спорт. Затем делаем модель определения в спорте разных видов спорта. Как мне кажется делать модель на узкие темы будет гемор в любом случае и замучаешься данные размещать и корректировать.

Тем не менее у меня есть решение на пару тысяч классов, среди которых 400+ только научные направления)

Контест от сибура, заданий пока нет
http://sc2020.ai-community.com

вопрос по SpaCy: в чем отличие между .has_vector и .is_oov ?  точнее  скорее так: как так выходит что .has_vector == True  при .is_oov == False ?

и следом еще: правильно я понимаю что в последнем релизе модели ru2 NER метки в токенах отсутствуют и требуется обучать?

Per и Loc точно были, когда я смотрел.