Python 如何利用神经网络模型从报文中检测出信源和目的地

我想从给定的文本中提取起点和终点

比如说,

I am travelling from London to New York.
I am flying to Sydney from Singapore.

原产地：伦敦，新加坡。 目的地-->悉尼，纽约

NER将只提供位置名称，但无法获取起点和目的地

是否有可能训练一个神经模型来检测同样的情况

我试着训练神经网络对文本进行分类

{"tag": "Origin",
     "patterns": ["Flying from ", "Travelling from ", "My source is", ]

通过这种方式，我们可以将文本分类为来源，但我也需要获得值（在本例中为伦敦、新加坡）

---

无论如何，我们都可以做到这一点吗？

正如其他人评论的那样，NN在这里可能是一种开销，但它们仍然可以使用。要使用NN解决此问题，可以执行以下步骤：

收集表格（文本、来源、目的地）中的培训数据，例如[（我从伦敦飞往纽约），“伦敦”，“纽约”），（我从新加坡飞往悉尼），“悉尼”，“新加坡”）]。您可能需要大量数据才能使NN足够准确

使用经过训练的word2vec表示法（例如）将文本矢量化为等长矢量序列（如30，必要时使用填充或剪切）。由于您对位置感兴趣，为了更好地进行培训，您应该将位置矢量化为单独的维度。由此产生的向量序列数组将作为您的训练输入（X）

您的预测（Y）也将是长度为30的序列，由0-1对向量组成，当序列中表示文本的对应单词是源（原点）时，您将1放入第一（第二）分量，否则将0放入

使用此X和Y，您可以训练LSTM NN（参见示例），设置返回序列=真，并正确指定尺寸

然后，您可以用同样的方法准备测试数据，获得结果，并通过具有最高值的对来确定源和目标在输入文本中的位置

---

. 这通常意味着您需要的是与本地导师一起花半个小时，或是浏览教程，而不是堆栈溢出。您没有指定需要检查的输入范围，并且您在解决问题方面几乎没有付出任何努力。为什么你需要一个神经模型来完成这项任务？从你给出的例子来看，问题仅仅是抓取“to”和“From”关键字后面的地名。我想抓取这些名称，即使它的来源是这个位置，目的地是这个位置。这就是我尝试神经模型的原因。如果你想开始学习神经网络，我建议你从数字开始。像你在这里介绍的东西不需要。我并不是真的尝试开始使用神经网络，只是想知道，如果神经网络解决了这个问题。这是一个不同的角度，我会尝试这个。但如何将位置矢量化为一个单独的维度呢？您只需将一个元素添加到所有向量（可以表示为列表）中，并将其值设置为1表示位置，否则设置为0。