Nlp 使用人工智能识别文档类型的最佳方法是什么？

伙计们！祝你一切顺利。识别文档类型的最佳方法是什么？我脑海中浮现的第一件事是将文档传递到OCR，提取其中的信息，然后尝试在该文档中找到其他文档上没有的内容。例如：在一个名为R.G的文档中，有一个名为“orgão expedidor”的信息，但在另一个文档中没有。通过这种方式，我知道这可能是一个R.G.这里的问题是，de OCR过程无法识别某些PDF上的字段“Órgão expedidor”。这是完成这项任务的最佳方式吗

首先，您需要创建覆盖您的域的数据集。准备文本语料库并为其指定所需的标记。查看此项了解有关语料库嵌入器的一些提示

使用一些OCR包（即tesseract）提取文本

将文本编码到潜在空间

训练你的模特

这是最简单的方法

---

当您根据某些视觉特征确定文档类型时，这会变得更加困难。然后，您必须深入研究CNN体系结构，因为手动定义这些功能非常困难，而且容易出错。

欢迎使用堆栈溢出。这是一个很好的问题——不知道人们为什么投反对票。如果您不能依靠OCR进行分类，您可以使用文档的格式吗？文档在视觉上是否看起来不同。如果它们看起来不同，您可以将页面转换为图像，并使用图像分类AI对图像进行分类。你能发布一些示例文档页面吗？欢迎来到StackOverflow，而且。。。在这里申请。“什么是最好的方式…？”对于这个网站来说几乎总是太宽泛了。谢谢Adnan和Prune的回答。我可能不会使用计算机视觉来完成这项任务。最后我可能会使用OCR和NLP。谢谢，Piotr！最后我可能会使用OCR和NLP