我可以使用命名实体识别来识别 Intranet 页面内容吗？

Question

我是自然语言处理的新手，我想通过创建一个简单的项目来了解更多信息。 NLTK 被建议在 NLP 中流行，所以我将在我的项目中使用它。

这是我想做的：

• 我要扫描我们公司的内网页面；大约 3000 页
• 我想根据某些标准解析和分类这些页面的内容，例如：人力资源、工程、公司页面等...

从我目前阅读的内容来看，我可以使用命名实体识别来做到这一点。我可以为每个页面类别描述实体，训练 NLTK 解决方案并运行每个页面以确定类别。

这是正确的方法吗？我感谢任何方向和想法...

谢谢

Answer 1

看起来你想做text/document classification，这与命名实体识别不太一样，它的目标是识别文本中的任何命名实体（专有名称、地点、机构等）。但是，在有限域中进行文本分类时，专有名称可能是非常好的功能，例如，带有首席工程师姓名的页面可能会被分类为 Engineering。

NLTK 书有a chapter on basic text classification。