我正在尝试使用OpenNLP对发票进行分类。根据它的描述,我将它分成两类。我已经构建了一个包含20K描述的培训文件,并将其标记为正确的类。培训OpenNLP文档分类
训练数据看起来像(第一列是一个代码,即我的类中使用,而第二列是发票说明):
85171231 IPHONE 5S CINZA ESPACIAL 16GB (ME432BZA)
85171231 Galaxy S6 SM-G920I
85171231 motorola - MOTO G5 XT1672
00000000 MOTONETA ITALIKA AT110
00000000 CJ BOX UNIBOX MOLA 138X57X188 VINHO
从OpenNLP使用DocumentCategorizer,我达到98.5%正确性。但是,为了提高效率,我选择了错误的分类文档并用它来扩展训练数据。
例如,当我第一次运行它时,“MOTONETA ITALIKA AT110”被分类为“85171231”。没关系,因为进入第一次运行时,“MOTONETA ITALIKA AT110”未被分类。所以,我教了分类器明确地把“MOTONETA ITALIKA AT110”标记为“00000000”。
但是,再次运行OpenNLP,即使训练数据包含“000000”的显式映射,OpenNLP也坚持将其归类为“85171231”。
所以我的问题是:我在教OpenNLP赖特吗?我如何提高效率?
,我正在使用的代码是:
MarkableFileInputStreamFactory dataIn = new MarkableFileInputStreamFactory("data.train");
ObjectStream<String> lineStream = new PlainTextByLineStream(dataIn, StandardCharsets.UTF_8);
ObjectStream<DocumentSample> sampleStream = new DocumentSampleStream(lineStream);
TrainingParameters params = new TrainingParameters();
params.put(TrainingParameters.ITERATIONS_PARAM, "100");
params.put(TrainingParameters.CUTOFF_PARAM, "0");
DoccatModel model = DocumentCategorizerME.train("pt", sampleStream, params, new DoccatFactory());
DocumentCategorizer doccat = new DocumentCategorizerME(model);
double[] aProbs = doccat.categorize("MOTONETA ITALIKA AT110".replaceAll("[^A-Za-z0-9 ]", " ").split(" "));
doccat.getBestCategory(aProbs);