我有一组半常规格式的文档。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。
问题是每个集合中的每个样本都与其对等成员不同，这使得正则表达式解析不可行：一个项目的数量可能在项目名称之前或之后，相同的项目在样本之间可能有不同的名称，说明文本或注释可能存在于行之间等。
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？
【问题讨论】：
标签： parsing classification data-analysis
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。 （传统上，您使用语法来识别它们可以识别的内容，通常过多，并使用额外的语法检查来删除语法无法消除的内容）。
如果您使用的语法可以运行并行潜在解析，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）。
想象你有描述数量的数字，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.
它也会接受：
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。
【讨论】：
有很多方法可以做到这一点。这是一个活跃的研究领域，名为：information extraction。特别是从半结构化来源中提取信息。
【讨论】：