帮助:从文本中提取数据元组…正则表达式还是机器学习?
|
非常感谢您对解决以下问题的最佳方法的想法。我使用的是汽车分类清单示例,该示例本质上类似,可以给出一个想法。
问题:从给定的文本中提取数据元组。
这是数据的一些特征。
文本中的词汇(单词)仅限于特定领域。最多假设100-200个字。
需要解析的文本是一个标题,例如下面显示的汽车广告数据。因此,每个记录对应一个元组(行)。
在某些情况下,某些属性可能会丢失。因此,例如,缺少年份下的原始数据第5行。
有些词并列(字母组合)。就像“低英里”。
现有历史数据= 10,000条记录
每周收到的新数据量= 1000-1500条记录
预期的输出应为(Year,Make,Model,feature)的形式。所以输出应该像
1->(2009年,福特,Fusion,SE)
2->(1997年,福特,金牛座,旅行车)
3->(2000,三菱,Mirage,DE)
4->(2007年,福特,Expedition,EL Limited)
5->(,本田,雅阁,EX)
....
....
原始标题数据:
1-> 2009年福特Fusion SE-7000美元
2-> 1997年福特金牛座旅行车-$ 800(东圣何塞)
3-> \ '00三菱幻影DE-$ 2499(saratoga)图片
4-> 2007 Ford Expedition EL Limited-$ 7800(x)
5->本田雅阁低里程-$ 2800(都柏林/普林斯顿/利莫莫)图片
6-> 2004本田ODASSEY LX 68K英里-$ 10800(丹维尔/圣拉蒙)
7-> 93 LINCOLN MARK-$ 2000(Oakland East)图片
8-> ####### 2006 LEXUS GS 430 BLACK ON BLACK 114KMI #######-$ 19700(San Rafael)图片
9-> 2004 Audi A4 1.8T FWD-$ 8900(萨克拉门托)图片
10-> ####### 2003 GMC C2500 HD EX-CAB 6.0 V8 EFI WHITE 4X4 #######-$ 10575(San Rafael)图片
11-> 1990年,丰田花冠取得了不错的成绩!节省气体! 5速清洁! REG 2011 O.B.O-$ 1600(Hayward / Castro Valley)图片img
12-> HONDA ACCORD EX 2000-$ 4900(都柏林/普莱森/利物浦)图片
13-> 2009 Chevy Silverado LT乘员舱-$ 23900(都柏林/普莱森顿/利莫莫)图片
14-> 2010年ura歌TSX-V6-科技-$ 29900(都柏林/普莱森顿/利物浦)图片
15-> 2003 Nissan Altima-$ 1830(SF)pic
可能的选择:
机器学习文本分类器(朴素贝叶斯等)
正则表达式
我要弄清楚的是,RegEx对于这项工作而言是否过于复杂,而文本分类器却是一个过大的杀伤力?
如果选择使用文本分类器,那么您认为最容易实现的分类是什么。
在此先感谢您的帮助。
没有找到相关结果
已邀请:
6 个回复
嗓瑰
吞睫素
babsoft
茶鬼失形
蜂佬渺
浆错