Algorithm 从非结构化年鉴文本中提取人名

我有很多美国学校年鉴的扫描页，上面有人们的肖像和名字。页面中的所有文本均为OCR，每页收集多个版本：

非结构化文本文件

带有每个句子坐标的Xml

包含每个字母坐标的Xml

目标是确定哪些文本字符串表示人名，并将其与肖像相关联。问题是，每一本年鉴都是独一无二的，每一页也可能是独一无二的，因此无法应用任何通用模式（但可能有一些通用模式）。另一个问题是，这些页面除了名称之外还包含许多其他文本，而且收集量巨大

上面的例子中，名字是用大写字母写的，所以很容易识别，但这不是常见的情况

另一个例子：

//

这是

我在考虑几个方向：

使用美国地名词典建立索引并搜索每个 从该索引内的页面中选择单个单词以查找可能的名称

使用名称实体识别。我尝试了

opennlp

Java库，但是 它只适用于以大写字母开头的名称。 也许其他图书馆也可以

训练一些神经网络。这样做的结果会比现在更好吗 前两种选择

---

你能建议哪些算法可以帮助解决这个问题吗？

听起来可能很傻，但我的第一个想法是：FIRSTNAME LASTNAME似乎是大写的

更重要的是：将Xxx-Yyy小姐或Xxx-Yyy先生作为正则表达式（单词，包括以大写字母开头的“woods”），或将所有单词列成一个不同的列表，过滤掉来自词典的单词（例如，R package tidytext中的情感），然后检查其余单词，结合定制的两种方法

---

我认为，在使用nnet之前，以这种方式探索数据将产生许多您需要的见解。的确，使用现有软件是很有帮助的，但我建议，对于这样的子域（人名），使用可能的名字/姓氏列表作为特征和标准线索，实现一种特殊算法（例如大写字母、Miss/Mr.）

将名字与使用男性/女性特征的肖像联系起来肯定是个好主意

将两者分开实施（姓名识别/肖像匹配）作为模棱两可的过程会很好：它将允许在可能的假设中选择那些最大化其他标准的过程：姓名的nb与肖像的nb、将姓名与肖像关联的布局规则性等

大部分是常识，但我希望它有一点帮助

---

PS不要忘记不可能将姓名与肖像相关联的情况，例如使用可能性阈值（乍一看，上一张照片似乎就是这样？

（1）这非常广泛！（2）在第一个示例中，您可以使用人脸检测，然后使用性别识别，这样可以更容易地推断出哪个名称映射到哪个图像（主要是行主顺序与列主顺序）。（3）在第二个示例中，我无法将这些名称映射到图像。在本例中，您的算法需要比我强大得多。编辑：第二眼看到，我可以。因此，我的推理再次完全基于（2）中提到的方法。（4）旁注：你可以发布这些吗？如果这些是真实的年鉴，我的国家可能会不允许在这里发布。现在的主要目标是从文本中提取姓名（名字和姓氏）与肖像的相关性似乎更容易。那么你如何在例2中映射这些？这几乎是50/50（或更糟）猜测。在这种情况下，可能是猜测，这种页面很少。但仍然需要提取姓名——这是一个主要目标。问题是姓名不总是用大写字母书写。此外，页面上更多的文本可以用与姓名相同的方式书写，也可以用大写字母书写。有时姓名可以用常规大小写，但学校团队或其他人可以用大写字母表示。而且有Mr Miss前缀并不常见。