使用深度学习从 PDF 中提取短语

Question

我想教 AI 从 PDF 中提取特定短语。 例如，产品名称在文档中的某个地方进行了描述，人工智能必须找到并提取它。 我的问题是，如果将 PDF 作为图像或提取的字符串提供更好，因为文档的结构很粗略。 我希望我的问题可以理解。

也许有人对我也有一些想法或关键词：)

编辑： 感谢 lsimmons 的提示，我找到了一种方法： https://appliedmachinelearning.blog/2019/04/01/training-deep-learning-based-named-entity-recognition-from-scratch-disease-extraction-hackathon/

我会试试这个代码，当然只是使用产品名称而不是疾病。 这被称为“命名实体识别”，适用于遇到相同问题的每个人。 我希望这行得通。

Answer 1

将 pdf 图像中的字符转换为文本更像是一项计算机视觉任务，而且这似乎不是您想要做的，因为您似乎对短语提取（即 NLP）更感兴趣。因此，第一步可能是在将文本输入 NLP 库进行短语提取之前从 pdf 中提取文本。

在 Python 中似乎有很多库可以进行 pdf 文本提取 - this 从 Google 快速搜索中弹出。至于 NLP，在这个领域有很多库和概念需要学习，再次快速谷歌搜索得到 this 文章作为 Python 中 NLP 的介绍。