我有一个数据集，其中包含约238583人的名字。名称可以包含多个单词，例如：
Willie Enriquez , James J Johnson, D.J. Khaled。
我的问题是，当它们出现在句子中时，要识别这些名称。我正在尝试创建一个可以识别输入内容是否为名称的机器学习模型。我的麻烦是弄清楚该模型的输入和输出。因为我有很多名字，所以我可以训练一个模型，当输入是一个名字时，该模型可以识别一个名字，但是作为该句子一部分的其他单词呢？该模型还应该能够识别不是名称的单词。假设句子中可以包含其他任何单词，那么用于此目的的理想数据集是什么？在随机单词上训练模型并将其标记为NonNames是否有意义？
（显示名称的整个句子不可用。用户可以绝对键入他/她想要的任何内容）
谢谢。
答案 0 :(得分：0)
答案的具体情况可能会因您使用的模型而异，但总体思路大致如下：
您正在尝试解决分类任务，正好是二进制分类任务，您希望在其中区分专有名称（假设来自示例）和其他表达式。
在最一般的情况下，模型的输入是要分类的示例的特征：您应该确定自己认为对区分此类名称有用的特征（例如，单词数，包含大写字母） ，每个单词都大写，包含虚线字母，包含数据集中已有的任何单词，等等。）输出是类，对于非名称/名称，它是0/1。
然后，使用来自您的数据集的正例和取自非名称随机词的负例（即非名称）训练模型。
如果使用者可以输入完整的句子，那么您将需要执行预处理步骤，在其中提取长度为N（单词n-gram）的所有序列，并使用您先前训练的模型分别对每个序列进行分类。