从不同的非结构化文本文件中检索信息 - 文本挖掘？
我需要一些帮助来解决这个问题。
我们有大量给定指定域的文档。这些文档来自不同的来源，因此它们的结构也可能非常不同。另一方面，我有一个包含一些指定字段的表格，其中必须从文档的摘录中填充一些数字。
例如：
x 公司的业务量为 2010 年 20mio。1,000,000 美元是交换 今年是y公司。
结果应该是这样的，
|| Company | Year | Volume
|| X | 2010 | 200,000
|| Y | 2010 | 1000,000
您能给我指出一些链接或主题吗，我可以在其中找到如何解决此类问题的更多信息。
我知道对此没有现成的解决方案，但我应该从哪里开始寻找。
提前致谢。
I need some help in solving this problem.
We have a large amount of documents of a given specified domain. These documents are from differente sources and therefore their structure can be very different too. On the other side I have a table with some specified fields where some figures has to be filled from the extract of the documents.
For example:
Company x had a business volume of
$20mio in 2010. $1,000,000 was the exchange of
company y this year.
The result should something like this
|| Company | Year | Volume
|| X | 2010 | 200,000
|| Y | 2010 | 1000,000
Can you point me please to some links or topics, where I can find further informations how to solve such a problem.
I know that there is no out of the box solution for this, but where should i start to look for.
Thanks in advance.
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（1）
好的。有整个计算机科学实验室专门研究这类东西！
也许可以从寻找一个名为 RapidMiner 的工具开始
另外，这里还有一些我的研究论文标题PDF（遗憾的是我不再有链接）：
1。自动理解财务报表
使用神经网络和语义语法
James Markovitch
邓氏公司布拉德街，搜索技术
1995年4月
电子邮件：[电子邮件受保护]
版权所有 © 1995 James Markovitch
2。文档图像中自动语义结构提取的集成方法
Margherita Berardi、Michele Lapi 和 Donato Malerba
信息学院 – 巴里大学
经 Orabona 4 - 70126 巴里
{berardi,lapi,malerba}@di.uniba.it
我认为第一个对您所追求的东西最感兴趣。不太确定它会有多少价值：）
Ok. There are entire computer science labs devoted to that sort of stuff!
Maybe start by looking a tool called RapidMiner
Also here are a couple of research paper titles I have as PDF's (which I don't have links for anymore sadly):
1. Automated Understanding of Financial Statements
Using Neural Networks and Semantic Grammars
James Markovitch
Dun & Bradstreet, Search Technologies
April 1995
Email: [email protected]
Copyright 1995 James Markovitch
2. An Integrated Approach for Automatic Semantic Structure Extraction in Document Images
Margherita Berardi, Michele Lapi, and Donato Malerba
Dipartimento di Informatica – Università degli Studi di Bari
via Orabona 4 - 70126 Bari
{berardi,lapi,malerba}@di.uniba.it
I think the first one would be of greatest interest in terms of what you are after. Not quite sure how much value it will be though :)