named-entity-extraction

10熱度

3回答

什麼是從自由文本中提取位置的推薦方法？我能想到的是使用正則表達式規則，比如「位置中的單詞...」。但是有沒有比這更好的方法？另外我可以想象有一個國家和城市名稱的查找哈希表，然後比較每個從文本提取的標記到哈希表。有沒有人知道更好的方法？編輯：我試圖從推文文本中提取位置。因此，大量推文的問題也可能影響我對方法的選擇。

1熱度

1回答

鏈接相關主題IR

如何鏈接條款（關鍵字實體）其中有一些關係其中通過文本文件。示例是google當您搜索某個人時，它顯示建議其他與該人相關的人。在這張照片想通了配偶，總統候選人，並等於指定我使用頻率計數技術。出現在同一文件中的越多，它們之間的關係就越有可能。但是，這也會在文本文檔中鏈接無關的術語，如頁面標記，動詞和頁面回覆。我應該如何改進它，是否還有其他簡單但可靠的技術？

2熱度

2回答

自定義命名實體提取

我試圖使用斯坦福NLP實現NER（命名實體提取）。的最終目標是將自由文本轉換爲查詢格式。我創建了一個自定義詞典和我能夠提取的實體，並建立查詢 people who are from newyork 我將建立查詢 select * from people where region = 'newyork' 但在聲明中被否定人誰的問題來不是從紐約如何從這個聲明中提取負面情況，有沒有任何

0熱度

1回答

對實體的NLTK情緒

我剛開始使用NLTK，我認爲我需要完成的任務非常簡單。我需要解析一些文檔，並提取對某些實體的情緒。例如以下句子的整體情緒： Tea is great. However, I hate coffee. 是負數，但我想提取單個預定義實體的情緒。特別是，在前面的例子中，我想用我的實體('tea', 'coffee')來提供NLTK，並能夠分別提取sentiment('tea')和sentiment

0熱度

1回答

如何使用自然語言處理或其他技術從HTML中提取實體

我想解析包含時間，地點和名稱的網頁中的實體。我讀了一些關於自然語言處理和實體提取的內容，但我不確定我是否正走向錯誤的道路，所以我在這裏問。我還沒有開始實現任何東西，所以如果某些開源庫僅適用於特定語言，那沒關係。很多倍的數據不會在句子中找到，而是像列表HTML的結構（例如 2013年2月1日 - 事件的名稱 - 競技場名稱）。網頁的結構將大不相同（有些可能使用列表，有些可能會將它們放在表格中

1熱度

1回答

使用Vowpal Wabbit命名實體識別出現以記憶訓練數據

我使用Vowpal Wabbit的python API來訓練名稱實體識別分類器，以從短句子中檢測人員，組織和位置的名稱。我已經編制了一份IPython Notebook，詳細介紹了數據，如何訓練模型以及評估句子中的實體。培訓數據來自ATIS和CONLL 2003數據集。我Vowpal Wabbit SearchTask類（基於this tutorial）的設置： class SequenceLa

19熱度

3回答

斯坦福NLP訓練n-gram NER

最近我一直試圖用斯坦福核心NLP訓練n-gram實體。我遵循以下教程 - http://nlp.stanford.edu/software/crf-faq.shtml#b 使用此功能，我只能指定單字符標記及其所屬的類。任何人都可以引導我，讓我可以將它擴展到n-gram。我試圖從聊天數據集中提取已知的實體，如電影名稱。如果我錯誤地解釋了斯坦福教程並且可以用於n-gram培訓，請指導我。什麼我堅持

0熱度

1回答

使用tika解析Python中的文檔時出現「TypeError：expected string or buffer」

我試圖使用Apache Tika解析一些文檔（如文件類型中列出的）。這是我在Python中的代碼。 auth = urllib2.HTTPPasswordMgrWithDefaultRealm() auth.add_password(None, url, user, password) urllib2.install_opener(urllib2.build_opener(urllib2.HT

-1熱度

2回答

姓名提取 - 簡歷/簡歷 - 斯坦福NER/OpenNLP

我目前正在學習項目中從個人簡歷中提取個人姓名。目前，我正在與斯坦福大學NER和OpenNLP合作，這兩種方法在開箱即用方面都取得了一定的成功，傾向於在「非西方」類型名稱（沒有針對任何人的攻擊）上掙扎。我的問題是 - 定的普遍缺乏句子結構或上下文相對於一個人的名字在CV /簡歷，我是可能獲得通過創建一個CV語料庫一些類似於在名稱標識任何顯著的改善？我最初的想法是，我可能有一句分裂一個更大的成功

0熱度

1回答

基於字典的文本分析與大致匹配

我有一個超過200萬名稱，階段，位置等數據庫/字典。示例數據如下：「A person who never made a mistake never tried anything new」「Nelson Mandela」「United States of America」「I didn't attend the funeral, but I sent a nice letter