猜测收据的类别

Question

我们有大量收据（超过 20k），想要对这些收据进行分类。一张收据可以属于一个或多个类别。我们目前有 500 多个类别。

即

• 如果收据是关于网络支付的。然后我们的类别是"InternetService"，我们在收据中有ISP信息和付款信息。
• 如果收据是关于午餐外出的，那么我们的类别是 "FoodAndBeverages"，我们有餐厅名称、食品信息和金额。
• 如果收据是关于出租车的付款，那么我们的类别是 "Transportation"，我们有出租车公司信息、车辆、driver、位置信息和金额。

因此，除了我在上面示例中提到的类别外，我们还有税收类别，大部分收据都是其中的一部分。所以每张收据可以有一个或多个类别。

因此，为了猜测这个类别，我们采用了 multi-label 分类解决方案。目前，我们将获取收据的全部文本，并使用我们拥有的收据文本和类别来训练我们的模型。

想要验证我们是否按照正确的方法解决了这个问题。期待这里有高手的思路。

Answer 1

根据您的解释，根据您的示例，您正在解决的问题是多class class化而不是多标签class化。

如果每个收据只映射到许多可能类别中的一个类别，那么它是多class class化。

如果每张收据可以映射到许多可能类别中的多个类别，那么它就是多标签class化。

如需更多解释并了解 sklearn 中解决这些问题的可用算法，请查看 here。

有关处理文本数据的更多基本步骤，read here

编辑：

您可以使用单独的模型来预测每张收据的税种。由于构建多个 multi-class 模型比单个多标签模型相对容易。