如何识别作为光学字符识别 (OCR) 输出的文本中的实体？

Question

我正在尝试使用文本数据进行多类分类。我面临的问题是我拥有非结构化的文本数据。我会用一个例子来解释这个问题。以这张图片为例：

我想提取和分类图像中给出的文本信息。问题是当我提取信息时，OCR 引擎会给出如下输出：

18
EURO 46
KEEP AWAY
FROM FIRE
MADE IN CHINA
2226249917581
7412501
DOROTHY
PERKINS

现在这里的目标类是：

18 -> size
EURO 46 -> price
KEEP AWAY FROM FIRE -> usage_instructions
MADE IN CHINA -> manufacturing_location
2226249917581 -> product_id
7412501 -> style_id
DOROTHY PERKINS -> brand_name

我面临的问题是输入文本不可分离，这​​意味着“多行可以属于同一个类”，并且可能存在“单行可以有多个类”的情况。

所以我不知道如何在将行传递给分类模型之前拆分/合并行。
有什么方法可以使用 NLP 我可以根据目标类拆分段落。换句话说，给定输入段落根据目标标签对其进行拆分。

Answer 1

如果只考虑文本，这是一个命名实体识别 (NER) 任务。

您可以做的是针对您的特定问题训练一个 Spacy 模型到 NER。

以下是您需要执行的操作：

1. 首先收集训练文本数据列表
2. 用相应的实体类型标记该数据
3. 将数据拆分为训练集和测试集
4. 使用训练集使用 Spacy NER 训练模型
5. 使用测试集对模型进行评分
6. ...
7. 利润！

请参阅有关训练特定 NER 模型的 Spacy 文档

祝你好运！