我收集了超过20,000份PDF格式的法律诉状。我是一名律师，但我也编写计算机程序来帮助我在MFC / VC ++中练习。我想学习使用神经网络（不幸的是我的数学技能仅限于大学代数）来对诉讼中提交的文件进行分类。
我的第一个目标是训练一个三层前馈神经网络，以识别文件是否是一个小型索赔文件（带有字母＆＃34; SP＆＃34;在案件编号中），或者是否是常规文件文件（字母＆＃34; CC＆＃34;案件编号）。每个律师都会提出“＃34; Case：＆＃34;或＆＃34;案例号＆＃34;或＆＃34;案件编号＆＃34;或者其中一种无限变化。所以我采用了前600个字符（所有律师都会将案例编号放在前600个字符中），并创建一个CSV数据库，每行为一个文档，600列包含前600个字符的ASCII码，第601个字符是＆＃34; 1＆＃34;对于常规案例，或者＆＃34; 0＆＃34;对于小额索赔。
然后我通过这里编码的神经网络程序运行它： https://takinginitiative.wordpress.com/2008/04/23/basic-neural-network-tutorial-c-implementation-and-source-code/ （当然我更新程序来处理600个神经元，只有一个输出），但是当我运行时，准确性是可怕的 - 类似于训练数据的2％，以及一般设置的0％。 1/8的文件适用于非小额索赔案件。
这是神经网络可以处理的问题吗？我做错了什么？
答案 0 :(得分：0)
所以我采取了前600个字符（所有律师都会将案例编号放在前600个字符中），并创建一个CSV数据库，每行为一个文档，600列包含ASCII代码前600个字符，第601个字符是＆＃34; 1＆＃34;对于常规案例，或者＆＃34; 0＆＃34;对于小额索赔。
独立查看文档开头的每个字符将非常不准确。不要单独考虑字符，而是首先将前600个字符标记为单词。使用这些词作为神经网络的输入，而不是单个字符。
请注意，一旦您对前600个字符进行了标记，您可能会找到一个明显有限的令牌列表，这些令牌代表＆＃34;案例编号＆＃34;，无需神经网络。
Standford Natural Language Processor提供此功能。您可以找到与.NET兼容的实现available in NuGet。