对于NLP来说，我是新手，因为我刚刚开始了解它。所以，如果问题看起来过于简单，请耐心等待：）
我有很多PDF文件（很多），任务是：每当有人在其中一个PDF中提出问题和答案时，要么提取包含答案的部分，要么显示该特定PDF的页码作为答案。您可以将每个PDF视为特定产品的手册;总共有数百个PDF文件。
我知道使用PDF搜索引擎可以轻松解决这个问题;但是，文本挖掘和AI / ML视角是否有任何可能解决问题的方法？我可以用几张PDF训练模型，它可以休息吗？
最近我一直在努力做一些研究，到目前为止我得到的是：每当有人问一个问题时，我都可以使用nltk python（在线提供大量资源）从问题中提取关键词。但真正困扰我的是下一部分，即pdf文本/信息发挥作用。
提前致谢:)
答案 0 :(得分：1)
如果我是你，我会从收集或创建培训机器所需的数据开始。
如：
1.客户查询包含以下关键字house timber nails
因此，您在文档中搜索这些关键字，然后向其发送house_timber.pdf
2.然后你会想得到反馈，知道你所做的是正确还是错误
比如要求客户给你结果反馈。
或者你可以自己完成它并自己训练前几百/千次。
然后我会将所有这些培训查询和结果存储在数据库中，这样每次新查询进入时，您都可以通过培训获得最准确的答案。
然后再次请求反馈并将新结果存储在数据库中。 （继续反馈循环！）
你可以通过运行测试自己训练一下。
与给出关键字一样，检查这些关键字是否存在于.pdf中，然后根据结果将结果标记为yes [1]或no [0]。
我发现你训练的越多，它就越准确。只要您继续从反馈中训练它，您的结果将继续提高准确性。
我还发现，如果你给它太多的训练数据，并让它多次运行变化。结果没有太大改善，只需要更多时间。因此，尝试找到最佳点，适量的数据和适当数量的训练迭代也很重要。 （如果你想快速回复）。
开始使用机器学习来寻找模式是一个很酷的冒险。玩得开心！