如果我猜对了，您想从非结构化文本中提取提到的实体。对我来说，这听起来像是命名实体识别 (NER) 问题。在您的情况下，我将定义以下实体：

• 开始日期
• 结束日期
• MAIN_PRIZE
• 额外奖品

您的文本现在可以使用这些实体进行标记或注释。您想构建一台机器，它将自动标记非结构化文本（自由文本）中遇到的实体。

我建议看一下条件随机场（CRF），这是一种经典的 NER 方法。还有循环神经网络 (RNN)，它们是序列建模的最先进技术，但我不是这些方法的专家。

让我们开始模型构建的过程。您需要决定什么是单个训练示例。这可以是一个句子，也可以是一个段落。

由于您没有提供任何示例，因此让我发明两个：

The contest started on <START_DATE>july 1st</START_DATE> and ended on <END_DATE>july 25</END_DATE>.

The winner got away with <MAIN_PRIZE>1 million dollars</MAIN_PRIZE> and <EXTRA_PRIZE>bunch of flowers</EXTRA_PRIZE>.

注意文本的结构方式。现在每个单词要么是标签（被标签包围）要么根本没有标签（在任何标签之外）。这是构建文本的一种方式。这也是一些非结构化文本的期望输出。

机器看不懂文字和注释。您需要提出可以从每个单词中提取的特征。它可以是单词本身，前一个单词，下一个单词，左二元组，右二元组，长度为 1,2,3 的后缀，长度为 1,2,3 的前缀等等。我建议你看看斯坦福 NER 特征。

获得这些功能后，您需要创建一个训练集。训练集是您的注释文本（参见我的示例）转换为标签 + 特征信息。它可能看起来像这样

O   feature1 feature2 ...
O   feature1 feature2 ...
B-START_DATE   feature1 feature2 ...
I-START_DATE   feature1 feature3 ...
...

这基本上是说前两个词没有标记，但后两个词是实体 START_DATE 的一部分。

每一行本质上是一个单词，后面跟着它的特征。标签“O”是表示该词没有被标注的方式，用于 DATE 的标签 B- 和 I- 表示命名实体的第一个和第二个词（例如“july 1st”）。

句子可以用空行分隔。

准备好训练集文件后，就可以进行模型训练了。有了模型，您可以将其应用于任何非结构化数据（提取的特征）以提取所需的实体。

作为一种工具，我建议您使用 CRFSuite（也可用于 Python 绑定）。如果您愿意，我可以详细说明每个步骤。

寻找 NLTK，一个用于分析自然语言数据的 Python 包。有了它，您可以为人类编写的文本添加一些结构。