写点什么

OCR+NLP 提取信息并分析,这个开源项目火了!

发布于: 刚刚
OCR+NLP 提取信息并分析,这个开源项目火了!

文字是传递信息的高效途径,利用 OCR 技术提取文本信息是各行业向数字智能化转型的第一步。

与此同时,针对 OCR 提取的海量文本信息,利用 NLP 技术进一步加工提取、分析理解后才能最大化发挥文本信息的价值。NLP 技术可以提升 OCR 准确率,并从文本中抽取关键信息、构建知识图谱,搭建检索、推荐、问答系统等。


虽然各行业智能化产业升级已经在如火如荼的开展中,但是在实际应用落地中却遇到诸多困难,比如:数据样本不够、模型精度不高、预测时延大等。为此,百度飞桨针对真实、高频的产业场景,提供了从数据准备、模型训练优化,到模型部署全流程的案例教程。

听说文档和代码已经开源了,来吧⬇️

https://github.com/PaddlePaddle/awesome-DeepLearning


01

OCR+NLP 串联技术难点

市面上有不少开源的 OCR、NLP 产品,但是如果想直接利用这些工具,会面临底层框架不统一、串联难度高、效果无法保证等问题。PaddleOCR 和 PaddleNLP 是面向产业界的开发库,均基于飞桨开源框架最新版本,能够将 OCR 和 NLP 技术无缝结合。

今天我们针对金融行业研报、物流快递单,来看看 OCR + NLP 信息抽取技术的应用。


02

OCR+NLP 金融研报分析

当前,诸多投资机构都通过研报的形式给出对于股票、基金以及行业的判断,让大众了解热点方向、龙头公司等各类信息。然而,分析和学习研报往往花费大量时间,研报数量的与日俱增也使得研报智能分析诉求不断提高。这里我们采用命名实体识别技术,自动抽取研报中的关键信息,例如,“中国银行成立于 1912 年。”中包含了组织机构、场景事件、时间等实体信息。


▲ OCR+NLP Pipeline

针对研报数据的命名实体识别与词频统计整体流程如上图所示。首先将研报 pdf 数据使用 fitz 包拆分为图像格式,然后利用 PaddleOCR 套件在研报数据集上微调 PP-OCR[1]的检测模型,使用现有的识别模型获得文本信息。PP-OCR 是 PaddleOCR 中由百度自研的明星模型系列,由文本检测、文本方向分类器与文本识别模块串联而成。

▲ PP-OCR Pipeline

对 OCR 识别出的文本进行整理后,调用 PaddleNLP 中的 Taskflow API 抽取文本信息中的组织机构实体。最后对这些实体进行词频统计,就可初步判定当前研报分析的热点机构。


▲ Taskflow 使用示意图

目前,Taskflow API 支持自然语言理解(NLU)和生成(NLG)两大场景共八大任务,包括中文分词、词性标注、命名实体识别、句法分析、文本纠错、情感分析、生成式问答和智能写诗,均可一键调用。


03

物流快递单信息抽取

双十一要到了,想必很多人都预备了一个满满的购物车。去年双十一成交量 4982 亿元,全国快递企业共处理快件 39 亿件,这背后则是物流行业工作量的骤增。除了满负荷的长深高速公路,还有繁忙的快递小哥。无论是企业业务汇总,还是寄件信息填写,都少不了关键信息智能提取这一环节,这其中均采用了命名实体识别技术。

命名实体识别大体上有三种方案:字符串匹配、统计语言模型、序列标注。前两种方法需要预先构建词典、穷举所有实体,无法发现新词、变体等。本案例中采用了目前的主流方法——序列标注。

数据集包括 1600 条训练集,200 条训练集和 200 条测试集,采用 BIO 体系进行标注。

 ▲ 实体定义和数据集标注示例


针对轻量化、高精度的需求,可以选用 RNN+CRF 方案。也可以采用预训练模型,通过模型压缩、动转静加速等方式满足精度和性能的要求。我们采用 Ernie-Gram[2] + CRF 获得了最佳效果。

此外,命名实体识别技术可以应用于各类关键信息的提取,例如电商评论中的商品名称、电子发票中的抬头信息、收入证明中的金额、法律文书中的犯罪地点等信息。结合关系抽取、事件抽取技术,还可以构建知识图谱、搭建问答系统等。

发布于: 刚刚阅读数: 2
用户头像

关注百度开发者中心,收获一手技术干货。 2018.11.12 加入

汇聚百度所有对外开放技术、平台和服务资源,提供全方位支持,助力开发者加速成功,实现开发者、消费者和百度三方共赢。https://developer.baidu.com/

评论

发布
暂无评论
OCR+NLP 提取信息并分析,这个开源项目火了!