我目前正在从事一个项目，在该项目中，我需要能够对传入文档进行动态分类。这些文档可以是文本PDF文件，也可以是扫描的PDF文件。
我有以下标签：
我试图弄清楚应该如何解决这个问题。
我当时认为解决此问题的最佳方法是根据文档文本进行文本分类。
第1步-训练模型
第2步-使用模型
还有另一种方法吗？我担心的是，我不确定是否可以对整个文本文档执行NLP？也许需要检测物体（计算机视觉）吗？
答案 0 :(得分：1)
计算机视觉将更快，这是您使用案例的首选。从布局上看，三种类型的文档在视觉上是否有所不同？证书可能具有不同的“外观”和“布局”，但装箱单和发票可能看起来相似。您可能希望将PDF转换为页面图像，然后首先训练并运行图像分类模型。您应该在像ResNet这样的预训练图像分类模型上使用转移学习。
您可以在“整个文档”上执行NLP，但它最适合散文而不是发票或装箱单上的文本。您可以查找句子嵌入模型（Infersent，Google USE，BERT），这些模型实际上可以用于对整页文本进行分类，而不仅仅是对句子进行分类。尽管其中一些可能在计算上很昂贵。
答案 1 :(得分：0)
我理解你的问题。 关于它的一些关键点 a) 首先对输入数据进行预处理。即（例如，发票或 pdf 证书中有多少页）。然后，将 pdf 转换为 TiFF 图像。
b) 使用图像、视觉\布局和文本的训练模型。您将获得良好的准确性。 c) 可以使用计算机视觉和深度学习（Keras 和 tensorflow）