请教一个关于自然语言数据抽取的问题

[neohope]

在近期的项目上，遇到了需要从大段自然语言中抽取数据的需求。我现在可以搞定分词、词性标定、并通过正则进行部分数据抽取。但由于语言并不规范，抽取规则太多，很难完全通过正则表达式抽取数据。

看了很多资料，大家推荐用深度学习的。但找了一大圈，没找到合适的项目或例子。您能帮忙推荐一个吗？或者有其他建议吗？感谢！

[SimmerChan]

不知道你抽取数据指什么，如果是人名、地点这种实体可以参考ncrfpp这个项目。

[neohope]

现在我们在做的内容，主要是根据用户指定的规则，从医疗文档中，抽取科研用的数据。比如： 1、在大段文字中，抽取一些体征指标（体温、血压、脉搏）以及测量值（阴影面积，肿胀周径，细胞个数等）； 2、在大段文字中，抽取一些描述性信息（从患者主诉中抽取服用药物、手术名称及手术时间、患者病灶的位置描述信息等）； 3、判断大段文字中，是否有一些特殊的描述（失眠，出血），但又有否定及双重否定的情况 4、同义词对照，一个词有n种说法，有些太口语化了 现在我们主要是以正则的方式抽取，但几乎没有通用性，而且遇到口语化的东西就不灵了。

[SimmerChan]

要保证准确率，正则是比较好的方法了，缺点就是你说的没有通用性，模板可能越写越多，不好管理。深度学习就涉及到数据标注的问题，看你罗列的问题也比较复杂，应该也不能当做一个单一任务去标，数据获取成本太大。我也没有太好的建议，不好意思。

[neohope]

是啊，关键就是规则太杂了。 我再找找看，多谢啦：）