我有很多美国学校年鉴的扫描页，上面有人物肖像和名字。页面中的所有文本都经过 OCR 处理，并在每个页面的多个版本中收集:
目标是确定哪些文本字符串代表人名并将其与肖像相关联。问题是每本年鉴都是唯一的，每一页也可能是唯一的，因此无法应用通用模式(但可能有一些通用模式)。另一个问题是页面中除了名称之外还包含许多其他文本，而且集合非常庞大。
上面的例子中名字是用大写字母写的，所以很容易识别，但这不是常见的情况。
另一个例子:
我在考虑几个方向:
- 使用美国名字字典建立索引并搜索每个 此索引中页面中的单个单词以查找可能的名称。
- 使用全名识别。我尝试了
opennlpJava 库，但是 它仅适用于以大写字母开头的名称。 也许其他图书馆也可以。 - 训练一些神经网络。这样的结果能比 前两个选项？
您能建议哪些算法可以帮助解决这个问题吗？
最佳答案
确实 NER 会有所帮助，使用现有软件是可以的，但我建议，对于这样的子域(人名)，使用可能的名字/姓氏列表作为特征和标准线索(例如大写字母，小姐/先生)。
使用男性/女性特征将名字与肖像联系起来当然是个好主意。
将两者分开实现(姓名识别/肖像匹配)作为模棱两可的过程会很好:它将允许在可能的假设中选择那些最大化其他标准的那些:姓名 nb 与肖像 nb，布局的规律性以关联姓名有肖像等。
主要是常识，但希望对您有所帮助!
PS不要忘记无法将姓名与肖像相关联的情况，例如通过使用似然阈值(乍一看，您的上一张图片似乎就是这种情况？)
关于algorithm - 从非结构化年鉴文本中提取人名，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/46668856/