。

深度学习模型的训练往往需要大量的高质量标注的训练样本#xff0c;依赖规则实现上下文对话#xff0c;新样本如果变换了行文方式…

官.网地址合合TextIn

随着文本数据关系的日益复杂化传统的信息抽取技术面临着诸多挑战。

深度学习模型的训练往往需要大量的高质量标注的训练样本依赖规则实现上下文对话新样本如果变换了行文方式则将难以保证抽取效果模型泛化能力不强这就导致基于传统深度学习算法进行标注训练的方式成本非常高昂。

合合信息TextIn平台重磅上线智能文档抽取产品依托合合信息自研的垂直领域语义模型并结合了合合信息强大的文字识别、文档解析、文档检索和文本生成四项关键技术让计算机模拟人类的推理方式来识别在训练阶段从未见过的新事物实现开箱即用的“零样本”抽取让AI触手可及。

立即体验

与以往通过标注训练实现文档结构化抽取不同用户只需在TextIn智能文档抽取直接配置需要提取的关键字段。

例如发明专利证书中的发明名称、证书号、发明人、发明专利号、证书颁发时间、专利申请日等字段模型可自动提取关键信息。

TextIn智能文档抽取基于海量的基础数据做预训练具备极强的泛化性。

以医疗险理赔场景为例传统标注训练的方式下需针对每一种不同版式进行大量的样本标注及模型训练但各家医院出具的住院病案、出入院小结等文档材料版式各不相同、无法穷尽传统方式显然不可行不仅标注训练的工作量极大效果上也无法保证各类版式下的准确率。

合合信息全新上线的智能文档抽取模块具备强大的理解能力可以兼容各家医院不同版式的住院材料无需标注训练开箱即用即可达到精准的抽取效果。

准确理解复杂版面

非结构化文档抽取的瓶颈之一在于对文档复杂版面解析的准确性例如文档中插入的各类复杂表格对表格结构的准确还原是进行表格信息结构化抽取的前提。

如下所示的机动车保单中关于承保险种的明细项是以一个非标准、横线缺失、且是双栏结构的复杂表格进行展示的基于合合信息自研的版面分析引擎可以准确还原该区域的表结构进而准确抽取到承保险种、保险金额、绝对免赔额、保险费四个表格字段。

“多模态”抽取能力

企业各类非标文档中有双层PDF电子件、拍摄件、扫描件等不同格式的文件文档中也可能包含手写体、印章、整表等不同类型的元素。

如下所示的某制造企业内部结算申请所需各类单据中相关人员签名是财务部门进行收入确认审核时需要重点关注的字段在页面上配置“项目经理”、“保管员”字段可以抽取到手写体签字信息。

兼顾长/短文本

TextIn智能文档抽取既支持单页的非标卡证、票据、表单如海外invoice、国际信用证、电汇凭证、不动产权证等也支持几十甚至上百页的长文档如购销合同、借款合同、基金合同等。

数据量级是模型的地基模型通过对文档资料的阅读和建模来吸收知识。

合合信息通过对涵盖金融研报、财报、公告、招股书等、政务公文、公告、规章制度、政府工作报告等、法律法律法规、法律文书等等各行业高质量语料库的应用使得语义模型既具备通识能力也具备不同行业的专项领域知识。

以下是一篇公司点评类研报的抽取结果基于合合信息最新语义模型强大的理解能力可以实现以往传统模型无法实现的抽取效果

比如对于“年度”有2022、2023、20242022-20242022~20242022至2024等多种表述方式传统的抽取模式只能基于穷举规则一一对应年份表述方式一旦变化就无法准确抽取。

再如指标“PE”和“年份”的“距离”PE离“2022-2024”已经非常远了传统nlp无法理解这么长的上下文关系但TextIn智能文档抽取可以准确推理出2023年的PE为50倍。

全文没有出现“股票代码”这个Key字段但基于合合信息语义模型具备的通识金融知识可以准确推理出603605代表的是股票代码。

强大的文档抽取能力正在成为非结构化数据治理、数智化升级的关键驱动力推动着社会各行各业的快速发展和创新。