我在机器学习和监督学习领域是个新手。

我的任务是从磁盘上的电影文件名中提取一些关于该文件的元数据。我无法控制文件的命名方式，但文件名中包含标题和一个或多个附加信息，如发行年份、分辨率、演员姓名等。

目前，我开发了一个基于规则的启发式系统，我将文件名分割成词元，并尝试理解每个词可能代表什么，无论是单独的还是与相邻的词一起。例如，为了检测人名，我使用了一个英文名字的数据集，如果在数据集中找到了某个词，我就会将其评分为潜在的人名。如果相邻的词被我评分为潜在的姓氏，我就会将这两个词评分为演员。如此类推。这种方法的准确性相当不错，但手动调整启发式评分来“教导”系统是繁琐且不可预测的。

这种基于规则的系统很难维护或进一步开发，因此出于好奇，我开始探索机器学习领域。我想知道的是：

• 关于这类问题的公共文献有哪些？
• 考虑到可用的数据集有限，机器学习是解决这个问题的好方法吗？
• 我该如何调试或尝试理解这种机器的结果？我已经对我开发的“简单”启发式引擎遇到了问题..

谢谢，任何建议都会被感激。

回答：

你需要研究NLP（自然语言处理）。NLP处理文本处理和其他事情；例如实体识别和标记。

这里是一个使用Spacy库的例子：https://spacy.io/usage/linguistic-features。

不久前我做了一个类似的事情，你可以在这里查看：https://github.com/Erlemar/Erlemar.github.io/blob/master/Notebooks/Fate_Zero_explore.ipynb