如何使用机器学习从电子邮件中提取特定信息？答案

【问题标题】：How to extract specific information from emails using machine learning?如何使用机器学习从电子邮件中提取特定信息？
【发布时间】：2019-06-03 09:40:39
【问题描述】：

我有多封电子邮件，其中包含库存、价格和数量列表。每天，列表的格式都会有所不同，我希望使用 NLP 来尝试理解读取数据并重新格式化它以以正确的格式显示信息。

以下是我收到的电子邮件示例：

Symbol  Quantity    Rate
AAPL    16        104
MSFT    8.3k      56.24
GS      34        103.1
RM      3,400     -10
APRN    6k        11
NP      14,000    -44

正如我们所见，数量有多种格式，代码始终是标准的，但汇率可以是正数或负数，也可能有小数。另一个问题是标题并不总是相同，因此这不是我可以依赖的标识符。

到目前为止，我已经在网上看到了一些适用于名称的示例，但我无法为股票代码、数量和价格实现此功能。到目前为止我尝试过的代码如下：

import re
import nltk
from nltk.corpus import stopwords
stop = stopwords.words('english')

string = """

To: "Anna Jones" <anna.jones@mm.com>
From: James B.

Hey,
This week has been crazy. Attached is my report on IBM. Can you give it a quick read and provide some feedback.
Also, make sure you reach out to Claire (claire@xyz.com).
You're the best.
Cheers,
George W.
212-555-1234
"""


def extract_phone_numbers(string):
    r = re.compile(r'(\d{3}[-\.\s]??\d{3}[-\.\s]??\d{4}|\(\d{3}\)\s*\d{3}[-\.\s]??\d{4}|\d{3}[-\.\s]??\d{4})')
    phone_numbers = r.findall(string)
    return [re.sub(r'\D', '', number) for number in phone_numbers]


def extract_email_addresses(string):
    r = re.compile(r'[\w\.-]+@[\w\.-]+')
    return r.findall(string)


def ie_preprocess(document):
    document = ' '.join([i for i in document.split() if i not in stop])
    sentences = nltk.sent_tokenize(document)
    sentences = [nltk.word_tokenize(sent) for sent in sentences]
    sentences = [nltk.pos_tag(sent) for sent in sentences]
    return sentences


def extract_names(document):
    names = []
    sentences = ie_preprocess(document)
    for tagged_sentence in sentences:
        for chunk in nltk.ne_chunk(tagged_sentence):
            if type(chunk) == nltk.tree.Tree:
                if chunk.label() == 'PERSON':
                    names.append(' '.join([c[0] for c in chunk]))
    return names


if __name__ == '__main__':
    numbers = extract_phone_numbers(string)
    emails = extract_email_addresses(string)
    names = extract_names(string)

    print(numbers)
    print(emails)
    print(names)

这段代码在数字、电子邮件和姓名方面做得很好，但我无法在我的示例中复制它，而且我真的不知道如何去做。任何提示都会很有帮助。

【问题讨论】：

标签： python machine-learning nlp

【解决方案1】：

您可以构建将检查数字和金额的正则表达式。

但是，对于棍子，您将不得不做一些不同的事情。我怀疑股票名称在电子邮件中并不总是用大写字母书写。如果他们只是编写一个脚本，该脚本将利用一些证券交易所的 API，并且只运行所有字母都为大写形式的单词。但是，如果电子邮件中的股票名称不是用大写字母写的，您可以做几件事。您可以对照该证券交易所检查电子邮件中的每个字词，如果它是棒名称。如果你想加快这个过程，你可以尝试做依赖解析，只针对 API 运行名词或代词。

【讨论】：