人工智能多标签分类识别单个产品

Question

我正在从事一个人工智能项目，用于识别PDF文档中的文本。我想给训练人工智能模型的例子贴上标签，但我站在十字路口，不知道该选择什么方法。这里有一些关于用例的背景知识。

PDF文档存在于多个页面中，从现在起称为数据包。这些单独的页面表示包中存在的产品。这些产品的布局总是相同的，但是标签(如何和哪些数据保存在源系统中)可能有很大的不同。例如:产品的房子，汽车，马达，滑板车，和船可以存在于一个包。需要为每个产品保存的信息是不同的。比如，汽车、摩托车和滑板车的牌照号码，而房子的车牌号码是m2。

有350多种不同的产品。所以有太多的可能的组合。对于这个项目，我只想识别7种不同的产品。因此，更好的做法是将数据包标记为一个整体，并在此基础上对模型进行培训。还是先将包分割成单个产品，然后再将单个产品提供给相应的模型。

• 不要把包分成单独的产品。列车模型作为一个整体。
• B=将包装分成单独的产品。每个产品都会得到它的个别型号。

有一幅图片可以帮助澄清上面的文字：

选项A或选项B可视化

​

​

Answer 1

我会以不同的方式处理这个问题。

我假设类似的产品页面有类似的解析方法，例如: cars在这个位置总是有注册年(不管是在某个关键字或(x，y)坐标之后)。

首先，为每个产品页编写相应的解析规则，以获取所需的信息。这里有从pdf中解析文本的库，这是python示例。

然后，将数据包分割成单独的页面，并训练一个机器学习模型，使其能够对“它是什么产品”进行分类。

完整的管道如下: 1.将包分成2页；2.将每个产品页分类为3类；3.应用相应的解析器4.组合回(这就是您想要的)

对于分类器，我会选择简单的作为关键字的决策树/随机森林，或者选择复杂的作为基于文本的神经网络。