从非结构化文本中提取人名

Question

我有一系列账单和发票，所以文中没有上下文（我的意思是他们不讲故事）。 我想从这些账单中提取人名。 我尝试过OpenNLP但是训练模型的质量并不好，因为我没有上下文。 所以第一个问题是：我可以训练模型只包含没有上下文的人名吗？如果可能的话，你可以给我一篇关于我如何建立这个新模型的好文章（我读到的大部分文章没有解释我应该为建立新模型所采取的步骤）。

我的数据库名称超过100,000个人名（名字，姓氏），所以如果NER系统在我的情况下不起作用（因为没有上下文），那么搜索这些名称的最佳方法是什么？候选人（我的意思是用所有其他姓氏搜索每个名字？）

感谢。

Answer 1

关于＆＃34; context＆＃34;，我猜你的意思是你没有完整的句子，即没有上一个/下一个令牌，在这种情况下你会面临非常标准的NER。我不知道这个特定问题的可用软件或培训数据，如果您发现没有，您将不得不为培训和/或评估目的建立自己的语料库。

您的名称数据库可能会有很大帮助，具体取决于数据库中实际存在的帐单名称的比例。您也可能不得不依赖于名称的字符级形态，作为模式（参见[1]中的模式）。一旦你有一个训练集的功能（存在于数据库，形态，法案的其他信息）和解决方案（注释账单的实际名称），使用标准机器学习作为SVM将是非常简单的（如果你不熟悉这一点，只是问）。

其他一些建议：

• 您最有可能还会使用其他账单信息：公司名称，职位，税务提及等。
• 您也可以选择性地进行 - 如果所有账单都应该提及（确切地说？）一个人的名字，您可以排除所有其他文本（例如金额，税名，职位等）或假设在专用模型中账单中的所有文字，只有一个应该被猜到一个名字。

[1]命名实体提取的排名算法：提升和投票的感知器（Michael Collins，2002）

Answer 2

我从一些正则表达式开始，然后可能使用基于字典的方法（即，大名单）来扩充它。

无论你做什么，它都不会是完美的，所以一定要牢记这一点。