使用 CRF 识别文档的特定部分

Question

我的目标是给定一组文档（主要是金融领域），我们需要识别其中的特定部分，例如公司名称或文档类型等。

假设培训是在 100 份文档上完成的。显然，我会有一个倾斜的类分布（None 在大约 99.9% 的示例中占主导地位）。 我计划使用 CRF（Sklearn 上的 CRFsuite）并阅读了必要的文献。我需要一些关于以下方面的建议：

• 数据集是否足以训练 CRF？考虑到每个文档可以分成大约 100 个标记（每个标记是一个训练实例），我们总共会得到 10000 个实例。

  • 数据集是否会过于偏斜而无法训练 CRF？例如：对于 100 个文档，我将有大约 400 个给定类的实例和大约 8000 个无实例

Answer 1

1. 没有人知道，你必须在你的数据集上尝试它，检查结果质量，也许检查 CRF 模型（例如 https://github.com/TeamHG-Memex/eli5 支持 sklearn-crfsuite - 一个无耻的插件），尝试提出更好的功能或决定注释更多示例等。这只是一般的数据科学工作。数据集大小看起来偏低，但取决于数据的结构和特征的好坏，几百个文档可能足以开始。由于数据集较小，您可能需要在特征工程上投入更多时间。
2. 我认为班级不平衡不是问题，至少它不太可能是您的主要问题。