文本分类答案

【问题标题】：Text classification文本分类
【发布时间】：2016-06-28 17:31:27
【问题描述】：

我对 NLP 了解不多，所以请保持基本。

我想通过关键字提取器/分类器在工作中运行一些 PDF 并构建分类 - 希望提供一些商业智能。

例如，假设有几千个 PDF 要挖掘，我想确定它们适用的市场（我们服务于大约 5 个主要行业，每个行业都有几个次要行业。每个行业和子行业都有一个特定的市场，并且在大多数情况下，与原始设备制造商打交道，而原始设备制造商又与模型打交道，这些模型进一步细分为零部件等。

我很想将这些 PDF 压缩成半结构化（实际上更像是一个图表）输出，例如：

文本分类器可以做到这一点吗？这是不是太具体了？您如何训练这样的系统，C18 是 M250 系列的“制造商”劳斯莱斯的“模型”，而“PT SUPPORT”是子组件？

我可以手动构建这些数据，但需要很长时间......

有没有一种方法可以使用文本分类器框架并构建比正则表达式和 python 更有效的东西？

此时只是在寻找想法...观看了一些关于 R 和 python 库的教程，但它们听起来并不像我想要的那样。

【问题讨论】：

标签： nlp

【解决方案1】：

好的，让我们先把你的问题分解成小的子问题，我会把任务分解为

你也可以看看Carrot2聚类算法，它会自动分析数据并将pdf分组到不同的类别。

【讨论】：

PDF 是训练数据——至少这是希望。我可以手动构建所有制造商、模型、引擎、组件等的关系，但这是一项艰巨的任务并且违背了目的。我希望分类器可以确定/估计实体何时由于它们在 PDF 中的出现和使用而相关。在我查看的所有文件中，制造商通常都在模型之前。
那么问题就变成了聚类而不是分类，那你可以试试carrot2 stackoverflow.com/a/5064981/847897