Question

我试着让我的问题更清楚，如果我使用不正确的条款，我会道歉。

我有以下表格的N个文本文件

＆＃34;最好的数字是200，因为[...]＆＃34;

＆＃34;我喜欢250多个[...]＆＃34;

＆＃34; [...] 300是我最喜欢的号码＆＃34;

＆＃34;没有什么比450 [...]＆＃34;更好   等

鉴于这份新文件：

＆＃34;顶部的顶部是125 [...]＆＃34;

如何提取信息＆＃34; 125＆＃34;？

我预先处理文本，以便使用regexp将文档的维度从50页减少到2-5个句子。我不会对文字进行任何其他操作

请注意Regexp不是很有用，因为很难找到常规模式，我将不得不处理许多不同类型的信息（不仅仅是数字！）

我认为机器学习方法很有用，所以我为N个文件分配了一个值（即＆＃34; 200＆＃34;，＆＃34; 250＆＃34;，＆＃34; 300＆＃ 34;，＆＃34; 450＆＃34;）我试图预测＆＃34; 125＆＃34;使用SVM，来自RTextTools包的MAXENT算法，但效果不佳。

我的机器学习方法是否正确？如何改进我的信息提取方法？

由于

Answer 1

假设您有一个向量vec定义如下：

vec <- c("The best number is 200 because [...]",
          "I like 250 more than 120 [...]",
          "[...]300 is my favourite number",
          "Nothing is better than 450[...]",
          "The top of the tops is 125[...]")

您可以使用str_extract_all包中的stringr提取所有整数，并从rebus包构建正则表达式：

library(rebus)
library(stringr)
str_extract_all(vec, pattern = one_or_more(DGT), simplify = TRUE)
#      [,1]  [,2] 
# [1,] "200" ""   
# [2,] "250" "120"
# [3,] "300" ""   
# [4,] "450" ""   
# [5,] "125" ""

如何从带有监督分类的文本中提取信息？

1 个答案: