非構造化ドキュメントの大規模なプールから特定のアイテムを抽出しようとしています。これらのドキュメントは、ユーザーによってさまざまな方法でフォーマットされた 1 ～ 5 ページのテキストである可能性がありますが、ほとんどの場合、少なくとも次のものが含まれます。
ドキュメントからこれらの要素を抽出して、その情報をリレーショナル データベースにロードし、これらのレコードを連絡先として処理できるセマンティック パーサーを探しています。
私が探した他のサービスは、他の目的には価値がありますが、この特定のニーズに対応していません。
考え、提案、または手がかりはありますか？
あなたはあなたの質問へのリードを見つけましたか？私はいくつかの研究記事を見つけました：
www.cis.upenn.edu/~pereira/papers/crf.pdf
citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.84.9192&rep=rep1&type=pdf
www2.selu.edu/Academics/Faculty/aculotta/pubs/culotta04extracting.pdf
しかし、これらのアイデアの実装に関するコードの具体例はありません。
これも見てください：stackoverflow.com/questions/953150/general-address-parser-for-freeform-text
（申し訳ありませんが、httpを除外しました。このシステムでは、複数のURL /リンクを投稿することはできません）