我想在文件中做以下事项：
在第一个场景中，文档以统一的方式整齐地组织。 例如，大多数维基百科电影文章都有以下子主题（例如：https://en.wikipedia.org/wiki/Between_Us_(2012_film)）
在第二种情况中，文档包含与上述相同的信息;但是，文件没有干净的组织。文档可以使用相同或相似的语言，但组织方式不同。
在这两种情况下，鉴于子主题，我想从文档中提取此信息。
我可以使用任何机器学习/自然语言处理策略/算法吗？算法组合很好。主要工作的算法也很好。
更新：看起来我想要的是信息提取。
答案 0 :(得分：1)
可能的方法是将这些主题分配给每个部分的句子[1]。由于您似乎有注释数据，您可以使用它来训练“句子主题/部分模型”。根据[1]，即使是多项式的朴素贝叶斯分类器也能很好地完成这项工作。
关于摘要方面，除非你有训练数据，否则我会研究提取摘要技术[2] - 也就是说，从摘要中选择现有的最佳句子。 [2] LexRank的工作有一些你可以使用的野外实现。如果您有要学习的摘要，您可以查看抽象技术，这些技术可以从现有句子中生成新句子[3]。如果你检查[4]，[3]有一些样本实现浮动。
[1] http://bioinformatics.oxfordjournals.org/content/25/23/3174.full
[2] http://jair.org/papers/paper1523.html
答案 1 :(得分：0)
我能想到的最简单的方法是将其作为序列分类问题，其中类是子主题。给定句子（或者可能是段落），分类器输出子主题概率。训练LSTM分类器应该是可能的，因为你有很多标记数据（句子，子主题）
这种方法的问题可能是最终的输出是非连贯的。使用段落可以帮助，或者可以调整先前的分类概率。