百度OCR+NLP信息抽取在金融、物流行业的应用

发布时间：2021-10-28 作者：未知

　　今天给大家分享的是百度OCR+NLP信息抽取在金融、物流行业的应用情况，下面我们一起来看具体详情！

　　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

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

　　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。

　　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。

　　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。

　　百度OCR+NLP信息抽取相关内容，百度云服务中心持续分享中！

　　推荐阅读：百度NLP情感倾向分析定制版使用教程

标签：乘风平台智能硬件度目硬件百度大脑端云一体刷脸刷身份证刷健康码戴口罩识别人脸信息采集智能语音提醒双目活体检测四合一核验测温人脸识别身份证识别健康码识别

上一篇：百度大脑OCR助力电动车上牌免排队

下一篇：百度大脑iOCR"私有化"助力政务审批安全快捷

百度OCR+NLP信息抽取在金融、物流行业的应用

热门资讯