我正在尝试使用文本数据进行多类分类。我面临的问题是我有非结构化文本数据。我将用一个例子来解释这个问题。 以这张图片为例:
我想提取和分类图像中给出的文本信息。问题是当我提取信息时 OCR 引擎将给出如下输出:
18
EURO 46
KEEP AWAY
FROM FIRE
MADE IN CHINA
2226249917581
7412501
DOROTHY
PERKINS
现在的目标类是:
18 -> size
EURO 46 -> price
KEEP AWAY FROM FIRE -> usage_instructions
MADE IN CHINA -> manufacturing_location
2226249917581 -> product_id
7412501 -> style_id
DOROTHY PERKINS -> brand_name
我面临的问题是输入文本是不可分离的，这意味着“多行可以属于同一类”，并且可能存在“单行可以有多个类”的情况。
所以我不知道如何在将行传递到分类模型之前拆分/合并行。
有没有什么方法可以使用 NLP 我可以根据目标类别拆分段落。换句话说，给定的输入段落根据目标标签对其进行分割。
最佳答案
如果只考虑文本，这是一个命名实体识别 (NER) 任务。
你能做的是train a Spacy model to NER for your particular problem .
您需要执行以下操作:
- 首先收集训练文本数据列表
- 使用相应的实体类型标记该数据
- 将数据分为训练集和测试集
- 使用训练集通过 Spacy NER 训练模型
- 使用测试集对模型进行评分
- ...
- 利润!
参见Spacy documentation on training specific NER models
祝你好运!
关于nlp - 如何识别光学字符识别 (OCR) 输出的文本中的实体？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/54968055/