ПО для классификации документов?

Question

[egens]

Постановка задачи — есть файлопомойка с документами разных категорий. Предполагается, что по содержимому документа можно определить его категорию. Документы могут быть различных текстовых форматов, преимущественно Microsoft Office.


Существует ли ПО для автоматической классификации документов по заданным категориям?

Answer 1

[astrobeglec]

Могу только вспомнить команду для определения содержимого файла в Linux (расширение не учитывается) — file.

user@host$ file nnn.doc 
file nnn.doc: CDF V2 Document, Little Endian, Os: Windows, Version 1.0, Code page: -535, Revision Number: 9, Total Editing Time: 02:46:00, Last Printed: Sun Sep  2 03:44:00 2012, Create Time/Date: Thu Aug 30 09:26:00 2012, Last Saved Time/Date: Sun Sep  2 03:45:00 2012
user@host$ file nnn.odt 
nnn.odt: Zip archive data, at least v1.0 to extract
user@host$ file nnn..xls 
nnn..xls: CDF V2 Document, Little Endian, Os: Windows, Version 5.1, Code page: 1251, Last Saved By: system, Last Printed: Thu Mar 29 10:00:04 2012, Create Time/Date: Thu Jan  1 02:59:59 1970, Last Saved Time/Date: Wed Feb 29 07:57:42 2012, Security: 0

Под Windows не знаю.

Нужно определять тип файла или категорию можно узнать только по содержимому? Если по содержимому могу тоже дать инструкцию.

Comments

[egens]

Типы определить не проблема. Интересует именно семантическая категория документа. Машинное обучение знаю, могу применить, но интересует наличие готового решения.

[astrobeglec]

Что в твоем плане семантическая категория документа? Примеры если можно.

[egens]

Ну допустим:
-финансовый отчет
-исковое заявление
-техническое задание

Answer 2

[iPirat]

Вам нужно что то вроде «automator» как на маке, тока под винду? Сегодня искал, нашел интересное бесплатное решение на java app.jbbres.com/actions/

Comments

[egens]

Не совсем. Меня интересует не столько многофункциональный инструмент, сколько решение конкретной задачи автоматической классификации документов в файлопомойке.

[iPirat]

Не знаю как actions, он мне нужен был для другой задачи, но «automator» на маке смог бы решить Вашу проблему. Как бы я делал через автоматор, создаю действие на папку, делаю фильтрацию по типу файлов, получаю содержимое документов, фильтрую их по слову, перемещаю в нужную директорию. Как то так, ищите что то похожее на «automator» только под винду =))

Answer 3

[Николай Турнавиотов]

Если под Windows, то в 2012 сервере сделали шикарный классификатор, в зависимости от которого уже накладываются клеймы доступа.

Comments

[egens]

Спасибо, умеет кое-что. Классификация происходит в полуавтоматическом режиме — не совсем то, что я хотел. Интересует полностью автоматический, с использованием машинного обучения с учителем.