我对解析半结构化文本很感兴趣。假设我的文字包含此类标签： @ManyToMany(cascade = CascadeType.ALL)
@JoinTable(name = "collab_technos",
joinColumns = {@JoinColumn(name = "co_id", nullable = false, updatable = false)},
inverseJoinColumns = @JoinColumn(name = "te_id")
)
，year_field，year_value，identity_field，...，identity_value，address_field等等。
这些字段及其相关值可以在文本中的任何位置，但通常它们彼此接近，更常见的是组织在（非常）粗糙矩阵中的文本，但通常值恰好在关联之后最后一些非有趣的信息。
不同格式的数量可以达到几十个，并且不是那么严格（不要指望间距，而且可以添加和删除一些信息）。
我正在寻求机器学习技术来提取所有感兴趣的（领域，价值）。
我认为度量学习和/或条件随机字段（address_value）可能会有很大帮助，但我没有实际经验。
有没有人遇到过类似的问题？
有关此主题的任何建议或文献？
答案 0 :(得分：0)
如果我理解正确，您的任务是从文本中提取所有预定义的实体。你在这里描述的正是named entity recognition。
斯坦福有一个Stanford Named Entity Recognizer你可以下载和使用（python / java等）
关于您考虑的模型（例如CRF） - 这里的难点是获取训练数据 - 已经标记的实体的句子。这就是为什么你应该考虑获得一个训练有素的模型，或者使用别人的数据训练你的模型（同样，模型只能识别它在训练部分看到的实体）
在python中已经是火车模型的一个很好的选择是nltk＆＃39; s Information Extraction module。
希望这总结起来