我正在研究财务报告/单据的单据分类问题。是否有现成的语料库？我找到了几个用例，但它们都构成了自己的语料库。
最佳答案
您很有可能必须创建自己的语料库。我也有类似的任务，而手动创建这样的语料库太繁琐了。结果，我创建了News Corpus Builder一个python模块，该模块可让您根据对主题的特定兴趣快速开发语料库。
该模块允许您生成自己的语料库，并将文本和相关标签存储在sqlite或平面文件中。
from news_corpus_builder import NewsCorpusGenerator
# Location to save generated corpus
corpus_dir = '/Users/skillachie/finance_corpus'
# Save results to sqlite or files per article
ex = NewsCorpusGenerator(corpus_dir,'sqlite')
# Retrieve 50 links related to the search term dogs and assign a category of Pet to the retrieved links
links = ex.google_news_search('dogs','Pet',50)
# Generate and save corpus
ex.generate_corpus(links)
有关我的blog的更多详细信息
财务资料集可从here下载。语料库具有以下类别：
政策（许可证，法规，SEC，货币，联邦，货币，财政，IMF）
国际金融（全球金融，IMF，ECB，希腊麻烦，人民币贬值）
经济（GDP，就业，失业，住房，经济）筹集资本（ipo，股权）
房地产
并购（合并，收购）
石油（石油，石油价格，天然气价格）
商品（商品，黄金，白银）
欺诈（内部交易，庞氏骗局，财务欺诈）
诉讼（公司诉讼，公司和解）
收益报告