[[431808]]

Python中文社區(qū)（ID:python-china）

文字是傳遞信息的高效途徑，利用OCR技術(shù)提取文本信息是各行業(yè)向數(shù)字智能化轉(zhuǎn)型的第一步。與此同時(shí)，針對(duì)OCR提取的海量文本信息，利用NLP技術(shù)進(jìn)一步加工提取、分析理解后才能最大化發(fā)揮文本信息的價(jià)值。NLP技術(shù)可以提升OCR準(zhǔn)確率，并從文本中抽取關(guān)鍵信息、構(gòu)建知識(shí)圖譜，搭建檢索、推薦、問(wèn)答系統(tǒng)等。

雖然各行業(yè)智能化產(chǎn)業(yè)升級(jí)已經(jīng)在如火如荼的開(kāi)展中，但是在實(shí)際應(yīng)用落地中卻遇到諸多困難，比如：數(shù)據(jù)樣本不夠、模型精度不高、預(yù)測(cè)時(shí)延大等。為此，百度飛槳針對(duì)真實(shí)、高頻的產(chǎn)業(yè)場(chǎng)景，提供了從數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練優(yōu)化，到模型部署全流程的案例教程。

聽(tīng)說(shuō)文檔和代碼已經(jīng)開(kāi)源了，來(lái)吧

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

OCR + NLP 串聯(lián)技術(shù)難點(diǎn)

市面上有不少開(kāi)源的OCR、NLP產(chǎn)品，但是如果想直接利用這些工具，會(huì)面臨底層框架不統(tǒng)一、串聯(lián)難度高、效果無(wú)法保證等問(wèn)題。PaddleOCR和PaddleNLP是面向產(chǎn)業(yè)界的開(kāi)發(fā)庫(kù)，均基于飛槳開(kāi)源框架最新版本，能夠?qū)CR和NLP技術(shù)無(wú)縫結(jié)合。

今天我們針對(duì)金融行業(yè)研報(bào)、物流快遞單，來(lái)看看OCR + NLP信息抽取技術(shù)的應(yīng)用。

OCR + NLP金融研報(bào)分析

當(dāng)前，諸多投資機(jī)構(gòu)都通過(guò)研報(bào)的形式給出對(duì)于股票、基金以及行業(yè)的判斷，讓大眾了解熱點(diǎn)方向、龍頭公司等各類信息。然而，分析和學(xué)習(xí)研報(bào)往往花費(fèi)大量時(shí)間，研報(bào)數(shù)量的與日俱增也使得研報(bào)智能分析訴求不斷提高。這里我們采用命名實(shí)體識(shí)別技術(shù)，自動(dòng)抽取研報(bào)中的關(guān)鍵信息，例如，“中國(guó)銀行成立于1912年。”中包含了組織機(jī)構(gòu)、場(chǎng)景事件、時(shí)間等實(shí)體信息。

OCR+NLP Pipeline

針對(duì)研報(bào)數(shù)據(jù)的命名實(shí)體識(shí)別與詞頻統(tǒng)計(jì)整體流程如上圖所示。首先將研報(bào)pdf數(shù)據(jù)使用fitz包拆分為圖像格式，然后利用PaddleOCR套件在研報(bào)數(shù)據(jù)集上微調(diào)PP-OCR[1]的檢測(cè)模型，使用現(xiàn)有的識(shí)別模型獲得文本信息。PP-OCR是PaddleOCR中由百度自研的明星模型系列，由文本檢測(cè)、文本方向分類器與文本識(shí)別模塊串聯(lián)而成。

PP-OCR Pipeline

對(duì)OCR識(shí)別出的文本進(jìn)行整理后，調(diào)用PaddleNLP中的Taskflow API抽取文本信息中的組織機(jī)構(gòu)實(shí)體。最后對(duì)這些實(shí)體進(jìn)行詞頻統(tǒng)計(jì)，就可初步判定當(dāng)前研報(bào)分析的熱點(diǎn)機(jī)構(gòu)。

Taskflow使用示意圖

目前，Taskflow API 支持自然語(yǔ)言理解（NLU）和生成（NLG）兩大場(chǎng)景共八大任務(wù)，包括中文分詞、詞性標(biāo)注、命名實(shí)體識(shí)別、句法分析、文本糾錯(cuò)、情感分析、生成式問(wèn)答和智能寫(xiě)詩(shī)，均可一鍵調(diào)用。

物流快遞單信息抽取

雙十一要到了，想必很多人都預(yù)備了一個(gè)滿滿的購(gòu)物車。去年雙十一成交量4982億元，全國(guó)快遞企業(yè)共處理快件39億件，這背后則是物流行業(yè)工作量的驟增。除了滿負(fù)荷的長(zhǎng)深高速公路，還有繁忙的快遞小哥。無(wú)論是企業(yè)業(yè)務(wù)匯總，還是寄件信息填寫(xiě)，都少不了關(guān)鍵信息智能提取這一環(huán)節(jié)，這其中均采用了命名實(shí)體識(shí)別技術(shù)。

命名實(shí)體識(shí)別大體上有三種方案：字符串匹配、統(tǒng)計(jì)語(yǔ)言模型、序列標(biāo)注。前兩種方法需要預(yù)先構(gòu)建詞典、窮舉所有實(shí)體，無(wú)法發(fā)現(xiàn)新詞、變體等。本案例中采用了目前的主流方法——序列標(biāo)注。

數(shù)據(jù)集包括1600條訓(xùn)練集，200條訓(xùn)練集和200條測(cè)試集，采用BIO體系進(jìn)行標(biāo)注。

實(shí)體定義和數(shù)據(jù)集標(biāo)注示例

針對(duì)輕量化、高精度的需求，可以選用RNN+CRF 方案。也可以采用預(yù)訓(xùn)練模型，通過(guò)模型壓縮、動(dòng)轉(zhuǎn)靜加速等方式滿足精度和性能的要求。我們采用Ernie-Gram[2] + CRF 獲得了最佳效果。

此外，命名實(shí)體識(shí)別技術(shù)可以應(yīng)用于各類關(guān)鍵信息的提取，例如電商評(píng)論中的商品名稱、電子發(fā)票中的抬頭信息、收入證明中的金額、法律文書(shū)中的犯罪地點(diǎn)等信息。結(jié)合關(guān)系抽取、事件抽取技術(shù)，還可以構(gòu)建知識(shí)圖譜、搭建問(wèn)答系統(tǒng)等。