如何选择一个合适的机器学习算法将一段文字转化为 Python 字典？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 2661 天前的主题，其中的信息可能已经有所发展或是发生改变。

假设有这样一段字符串：

name:Bill
age:20
salary:9999

需要将它转化为 Python 的字典：

info = {'name': 'Bill', 'age': 20, 'salary': 9999}

当然，对每一行使用 split(':')就可以直接进行分割得到 Key 和 Value，但这并不是根本的解决办法。因为还存在以下格式的字符串：

name>Bill
age>20
salary>9999

或者

Bill==>name
20==>age
9999==>salary

或者

name,age,salary
Bill,20,9999

这些字符串让人来看，可以发现他们对应的 Python 字典是完全一样的，但是这就不能简单地通过规则匹配来转换了。

每一种格式的字符串都有一万个，所以训练集数量不是问题。希望能实现一个机器学习算法，输入一些训练集来训练这个系统，之后再输入新的字符串，就能个自动输出对应的 Python 字典。

请问这样的系统应该如何设计？

第 1 条附言 · 2017-07-28 17:02:22 +08:00

我自己的想法是：

训练的时候，输入几百条相同格式字符串，和相应的字典。然后使用深度神经网络去尝试自动生成FSM，不断的试错，直到找到一个正确的FSM，可以根据这个格式的字符串生成对应的字典。这个试错过程就像是之前有个国外网友用深度神经网络在GTA5里面开骑车一样。

Python

字符

字典

bill

24 条回复 • 2017-07-29 22:06:31 +08:00

Keyes

2017-07-28 16:08:45 +08:00

只是标点符号分割的话 a-zA-Z0-9 就搞定了啊？

billion

2017-07-28 16:09:37 +08:00

@Keyes 尽量不用使用规则匹配来处理这个问题，否则就没有意义了。

wineway

2017-07-28 16:16:04 +08:00 via Android

那就先用 RNN 实现一个正则引擎吧，"MIT 去年的 EMNLP 论文做的就是这个： http://t.cn/R9ySVCn "

billion

2017-07-28 16:16:49 +08:00

@wineway 感谢，我先去看看。

Kilerd

2017-07-28 16:21:11 +08:00 via iPhone

编译原理啊，plyplus 随随便便就写出来了

billion

2017-07-28 16:28:05 +08:00

@Kilerd 难道能实现一个通用的 grammer.g 搞定所有格式的字符串？

Kilerd

2017-07-28 16:33:55 +08:00 via iPhone

@billion 起码就你描述出来的几种是没问题的，如果是所有可能的格式，估计没有任何方法可以解决。
机器学习不是万能的，训练集是要打标签的，unsupervise 训练方法是要给出某些规则的。

所以简而言之都是要给定某些规则的

yunkchen

2017-07-28 16:36:28 +08:00

除了最后一种，前面的确实用正则就可以了，用不到机器学习。

billion

2017-07-28 16:54:12 +08:00

@yunkchen 还有比最后一种更离奇的格式。但是人眼可以离开看出来。所以才需要机器学习

billion

2017-07-28 16:55:04 +08:00

@Kilerd 我希望它能跟我我输入的字符串和这个字符串对应的字典，自己去发现他们之间的转化关系。

ipconfiger

2017-07-28 17:06:30 +08:00

我倒是有个差不多的需求, 就是从 txt 小说里抽取章节标题

RLib

2017-07-28 17:06:47 +08:00

只要每种格式的符号固定, 选取几行数据, 计算出公共符号和变化的范围, 就能大概得出 key 和 value 了

ikeeper

2017-07-28 17:07:50 +08:00

简单的问题何必搞复杂呢，
人：发现了规则，写出了正则；
机器：费老大劲发现了规则，写出了‘正则’，还不一定百分百正确；
所以，何必绕一圈呢

padeoe

2017-07-28 18:03:52 +08:00 via iPhone

斯坦福大学自然语言处理第一课就是正则匹配。正则匹配简单高效，别小瞧啊。

Thoxvi

2017-07-28 18:11:16 +08:00 via Android

py 有个 re.split 可以用正则分割啊，机器学习不嫌麻烦吗…又得找数据又得打标签

binux

2017-07-28 18:28:44 +08:00

机器学习不是银弹，你都有格式+字典了，直接产生规则不就好了吗。
你这能用多少种格式呢？你有这时间标注+搞机器学习，手动写规则都写完了。

aaronzjw

2017-07-28 22:50:45 +08:00

杀鸡焉用牛刀啊

fiht

2017-07-28 23:21:32 +08:00

啥都想要机器学习来做...给数据打标签的时间就够把数据分类了。
数据分类之后根据数据的不同种类正则匹配就能解决 99%了。其他解析不了的 1%根据数据量选择是丢弃还是继续分类。

spolarbear

2017-07-28 23:28:20 +08:00

这类有绝对对错判断的命题，用不上机器学习，你是要离散性高还是正确率高？

est

2017-07-28 23:33:24 +08:00 via iPhone

人能看出来是因为有先验知识。楼主觉得机器能搞定先打 10w 标作为训练样本压压惊

billion

2017-07-29 08:44:03 +08:00

@spolarbear 正确率。

billion

2017-07-29 08:46:41 +08:00

@binux 我有一百万种格式，每一种格式都有一个对应的 dict。不可能每一种都自己写规则。当然，打标签也不会每一种都打。这也是为什么我在帖子的 Append 里面说用深度神经网络而不是普通机器学习算法的原因。

yemenchun1

2017-07-29 09:22:23 +08:00 via iPhone

比较好奇一百万种格式的原始数据是哪些人创造的

Zzzzzzzzz

2017-07-29 22:06:31 +08:00

你需要的只是 pyparsing