Parsing 如何利用机器学习提取公司债券信息

我正在从事一个项目，需要从非结构化电子邮件中提取公司债券信息。在做了大量的研究之后，我发现机器学习可以用于信息提取。我尝试了Opennlp NER（命名实体识别器），但我不确定是否为此问题选择了正确的库，因为我得到了结果，但没有达到标准

有没有人能给我推荐一些库或算法，告诉我如何解析和提取数据。我计划探索朴素的贝叶斯或N-gram或支持向量机，但不确定，这是否对我有帮助。请建议

例如：

[/]交易10mm ABC 2.5 19 05/06 mkt可以使用50mm

-->这里我想提取

“ABC 2.5 19”

例2：

XYZ 6.5 15 10-2B 106-107 B3 AAA-1.646MM 2x2

-->这里我想提取

“XYZ 6.5 15”

在Perl中，您可以使用-a通用BNF解析器

这将从您的示例中提取信息

---

希望这有帮助。

您尝试过使用正则表达式进行模式匹配吗？从外观上看，您希望匹配3个字母，后跟一个十进制数，后跟一个整数/长数（不管它们之间有多少空格），这是一个精心编制的正则表达式应该能够非常快速地处理的。最初，我建议只使用正则表达式，但正则表达式非常复杂，对于这种类型的情况，因为数据是非结构化的。此外，我正在寻找一种技术，我可以解析05/06或106-107或2X2值以及3个字母，因此我相信机器学习将是更好的选择。我在过去使用过FFNN和语法解析，我不认为这是最好的解决方案（虽然我很高兴被证明是错的）。那么这件事怎么办呢？1）首先标记整个电子邮件。2） 浏览标记，直到你遇到一个3个字母的单词3）查看下一个标记是否有效（你需要编写功能类来为你处理4）如果有效，解析下一个标记，依此类推，直到你到达状态机的末尾，并认为它是一个有效的答案，或者如果你到达一个无效的状态，转到下一个3字母字符。我建议在开始机器学习之前使用类似或的规则语言。如果任务还没有解决的话，至少你能更快地得到标记的例子。@PeterKluegl：我会看看，看起来很有趣。谢谢你的建议。