我有一组具有半常规格式的文档。行通常用换行符分隔，每行的主要组成部分用空格分隔。一些示例是一组家具组装说明、一组目录、一组食谱和一组银行对账单。
问题在于，每组中的每个样本都与其对等成员不同，这使得 RegEx 解析不可行：项目的数量可能位于项目名称之前或之后，相同的项目可能在样本之间具有不同的名称、说明性文本或行之间可能存在注释等。
我使用分类器（神经网络、贝叶斯、GA 和 GP）来处理整个文档或数据集，但没有从文档中提取项目并在上下文中对其进行分类。这可以做到吗？有没有更可行的方法？
问问题
817 次
2 回答
2
如果您的数据具有结构，可以说您可以使用语法来描述其中的一些结构。（通常，您使用语法来识别它们可以识别的东西，通常是过多的，并使用额外的语法检查来修剪语法无法消除的东西）。
如果您使用可以运行并行潜在解析的语法，从而在解析变得不可行时消除解析，您可以直接解析不同的排序。（GLR 解析器可以很好地做到这一点）。
想象一下，您有描述数量的数字，描述各种对象的名词和表示动作的动词。那么可以接受不同项目顺序的语法可能是：
G = SENTENCE '.' ;
SENTENCE = VERB NOUN NUMBER ;
SENTENCE = NOUN VERB NUMBER;
VERB = 'ORDER' | 'SAW' ;
NUMBER = '1' | '2' | '10' ;
NOUN = 'JOE' | 'TABLE' | 'SAW' ;
这个示例非常简单，但它会处理：
JOE ORDERED 10.
JOE SAW 1.
ORDER 2 SAW.
它还将接受：
SAW SAW 10.
您可以通过添加演员必须是人的外部约束来消除这种情况。
于 2010-10-29T02:23:50.373 回答
0
有很多方法可以做到这一点。这是一个活跃的研究领域，称为：信息提取。特别是从半结构化来源中提取信息。
于 2010-11-07T16:12:49.290 回答