在另一份文件中查找一份文件的编号[关闭]

Question

我有两个文档 A 和 B。为了便于说明，让我们简单说明一下：每个文档都只有一页。页面包含文本和数字形式的信息。

我的目标是标记文档 A 中所有出现在文档 B 中完全的数字。但是考虑数字的上下文也非常重要！ 示例：

• “A”包含以下句子：“我 2017 年的薪水是 50 000 欧元”
• “B”包含以下句子：“我 2016 年的工资是 50 000 欧元”和“我 2017 年的工资是 50 000 欧元”

由于B中的第二句，此处计算机应在A中标记“50 000”。如果只有B的第一句，则不应标记数字。

我的问题是：这是卷积神经网络 (CNN) 或支持向量机 (SVM) 等机器学习技术的用途吗？也许我可以通过解析或字符串识别（或类似的东西）来解决这个问题，但我相信机器学习方法会提供更准确的结果！

也许还有一些其他技术更适合我的目标。

感谢您的帮助！

Answer 1

如果句子的大小是固定的，您可以将文档 B 拆分为 size(sentence)-块并测量从原始句子到所有块的距离。最小的距离意味着最相似的句子。

否则，您可以开发一些循环算法，其中块可能是灵活的。

对于这两种情况，您可以将一些聚类或最近邻域算法放在顶部。无论如何，如果你的句子差异真的是一个词 - 这不是问题，距离方法应该足够了。

不幸的是，我看不到如何通过 CNN 或 SVM 解决此任务。可能你的意思是RNN？也许是一种有趣的方法，但不适用于您描述的项目 :) 但恐怕有些细节我根本不知道。

PS 我最近正在寻找一些用于聚类的自定义 RNN 方法。好用，你可以试试。