我可以使用命名实体识别来识别Intranet页面内容吗？

Question

我是自然语言处理的新手，我想通过创建一个简单的项目来学习更多知识。 NLTK被建议在NLP中很受欢迎，所以我会在我的项目中使用它。

以下是我想做的事情：

• 我想扫描我们公司的内部网页;大约3K页
• 我想根据某些标准对这些页面的内容进行解析和分类，例如：人力资源，工程，公司页面等......

从我到目前为止所读到的内容，我可以使用命名实体识别来完成此操作。我可以为每个页面类别描述实体，训练NLTK解决方案并运行每个页面来确定类别。

这是正确的做法吗？我很欣赏任何方向和想法...

由于

Answer 1

看起来你想做text/document classification，这与命名实体识别并不完全相同，其目标是识别文本中的任何命名实体（专有名称，地点，机构等）。但是，在有限域中进行文本分类时，专有名称可能是非常好的功能，例如，可能将具有头部工程师名称的页面归类为工程。

NLTK的书有a chapter on basic text classification。