blocks|key|3314460|text|你需要提供更多关于文本来源的信息(+web？用户输入？)、域名(仅仅是衣服？)、潜在的格式和词汇……|type|unstyled|depth|inlineStyleRanges|entityRanges|data|3314461|假设最坏的情况，你需要开始学习NLP。一本非常好的免费书籍是NLTK：http://www.nltk.org/book的文档。它也是对Python的一个非常好的介绍，并且该软件是免费的(适用于各种用途)。请注意:+NLP很难。它并不总是有效的。有时这并不有趣。最先进的技术并不是你想象的那样。|offset|length|3314462|假设有一个更好的场景(你的文本是半结构化的)--一个很好的免费工具是pyparsing。有一本书，有很多例子，结果代码非常吸引人。|3314463|我希望这能帮到你。|3314464|entityMap|0|LINK|mutability|MUTABLE|url|http://www.nltk.org/book|1|http://pyparsing.wikispaces.com/^0|0|Z|O|0|0|Y|9|1|0|0^^$0|@$1|2|3|4|5|6|7|T|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|U|8|@]|9|@$D|V|E|W|1|X]]|A|$]]|$1|F|3|G|5|6|7|Y|8|@]|9|@$D|Z|E|10|1|11]]|A|$]]|$1|H|3|I|5|6|7|12|8|@]|9|@]|A|$]]|$1|J|3|-4|5|6|7|13|8|@]|9|@]|A|$]]]|K|$L|$5|M|N|O|A|$P|Q]]|R|$5|M|N|O|A|$P|S]]]]

You need to provide more information about the source of the text (the web? user input?), the domain (is it just clothes?), the potential formatting and vocabulary...

Assuming worst case scenario you need to start learning NLP. A very good free book is the documentation of NLTK: <a href="http://www.nltk.org/book" rel="noreferrer">http://www.nltk.org/book</a> . It is also a very good introduction to Python and the SW is free (for various usages). Be warned: NLP is hard. It doesn't always work. It is not fun at times. The state of the art is no where near where you imagine it is.

Assuming a better scenario (your text is semi-structured) - a good free tool is <a href="http://pyparsing.wikispaces.com/" rel="noreferrer">pyparsing</a>. There is a book, plenty of examples and the resulting code is extremely attractive.

I hope this helps...

blocks|key|5426641|text|可以看看Toby+Segaran的“集体智慧”。我似乎记得在一章中讲述了这方面的基础知识。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|5426642|entityMap^0|0^^$0|@$1|2|3|4|5|6|7|D|8|@]|9|@]|A|$]]|$1|B|3|-4|5|6|7|E|8|@]|9|@]|A|$]]]|C|$]]

Possibly look at "Collective Intelligence" by Toby Segaran. I seem to remember that addressing the basics of this in one chapter.

blocks|key|3314489|text|经过一些研究，我发现这个问题通常被称为信息提取，我已经积累了一些论文，并将它们存储在Mendeley+Collection中|type|unstyled|depth|inlineStyleRanges|entityRanges|data|3314490|http://www.mendeley.com/research-papers/collections/3237331/Information-Extraction/|offset|length|3314491|此外，正如Tai+Weiss指出的，NLTK+for+python是一个很好的起点，本书的this一章专门介绍了信息提取。|3314492|entityMap|0|LINK|mutability|MUTABLE|url|1|http://nltk.googlecode.com/svn/trunk/doc/book/ch07.html^0|0|0|2B|0|0|19|4|1|0^^$0|@$1|2|3|4|5|6|7|Q|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|R|8|@]|9|@$D|S|E|T|1|U]]|A|$]]|$1|F|3|G|5|6|7|V|8|@]|9|@$D|W|E|X|1|Y]]|A|$]]|$1|H|3|-4|5|6|7|Z|8|@]|9|@]|A|$]]]|I|$J|$5|K|L|M|A|$N|C]]|O|$5|K|L|M|A|$N|P]]]]

After some researching I have found that this problem is commonly referred to as Information Extraction and have amassed a few papers and stored them in a Mendeley Collection

<a href="http://www.mendeley.com/research-papers/collections/3237331/Information-Extraction/" rel="nofollow noreferrer">http://www.mendeley.com/research-papers/collections/3237331/Information-Extraction/</a>

Also as Tai Weiss noted NLTK for python is a good starting point and <a href="http://nltk.googlecode.com/svn/trunk/doc/book/ch07.html" rel="nofollow noreferrer">this</a> chapter of the book, looks specifically at information extraction

blocks|key|363335|text|如果您只处理像您引用的示例这样的情况，那么最好使用一些基于手动规则的方法，它是100%25可预测的，并且涵盖了它可能遇到的90%25的生产情况。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|363336|您可以枚举所有可能的品牌和类别的列表，并检测哪个是输入字符串中的哪个，因为这两个列表中通常几乎没有交集。|363337|另外两个可以使用正则表达式很容易地检测和提取。(1-3位数字始终是大小，依此类推)|363338|您的问题域似乎还不够大，不足以保证使用更繁重的方法，例如统计学习。|363339|entityMap^0|0|0|0|0^^$0|@$1|2|3|4|5|6|7|J|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|K|8|@]|9|@]|A|$]]|$1|D|3|E|5|6|7|L|8|@]|9|@]|A|$]]|$1|F|3|G|5|6|7|M|8|@]|9|@]|A|$]]|$1|H|3|-4|5|6|7|N|8|@]|9|@]|A|$]]]|I|$]]

If you are only working for cases like the example you cited, you are better off using some manual rule-based that is 100% predictable and covers 90% of the cases it might encounter production.. 

You could enumerable lists of all possible brands and categories and detect which is which in an input string cos there's usually very little intersection in these two lists.. 

The other two could easily be detected and extracted using regular expressions. (1-3 digit numbers are always sizes, etc) 

Your problem domain doesn't seem big enough to warrant a more heavy duty approach such as statistical learning.

I am looking for references (tutorials, books, academic literature) concerning structuring unstructured text in a manner similar to the google calendar quick add button.

I understand this may come under the NLP category, but I am interested only in the process of going from something like "Levi jeans size 32 A0b293"

to: Brand: Levi, Size: 32, Category: Jeans, code: A0b293

I imagine it would be some combination of lexical parsing and machine learning techniques.

I am rather language agnostic but if pushed would prefer python, Matlab or C++ references

Thanks

Unstructured Text to Structured Data

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我正在寻找参考资料(教程，书籍，学术文献)有关结构化非结构化文本的方式类似于谷歌日历快速添加按钮。我知道这可能属于NLP类别，但我只对"Levi jeans size 32 A0b293“之类的东西感兴趣。收件人:品牌:李维，尺码: 32，分类:牛仔裤，编码: A0b293我想它将是词法解析和机器学习技术的某种组合。我对语言不太了解，但如果被推送，我会更喜欢python、Matlab或C++参考资

问非结构化文本到结构化数据
EN

回答 4

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问非结构化文本到结构化数据EN

回答 4

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问非结构化文本到结构化数据
EN