- 综合排序
- 最热优先
- 最新优先
- 来自专栏NLP/KG
2.基于Label studio的训练数据标注指南：（智能文档）文档抽取任务、PDF、表格、图片抽取标注等
文档抽取任务Label Studio使用指南 1.基于Label studio的训练数据标注指南：信息抽取（实体关系抽取）、文本分类等 2.基于Label studio的训练数据标注指南：（智能文档）文档抽取任务 安装 2. 文档抽取任务标注 2.1 项目创建 2.2 数据上传 2.3 标签构建 2.4 任务标注 2.5 数据导出 2.6 数据转换 2.7 更多配置 1. 2. 文档抽取任务标注 2.1 项目创建 点击创建（Create）开始创建一个新的项目，填写项目名称、描述，然后选择Object Detection with Bounding Boxes。 填写项目名称、描述 图片 命名实体识别、关系抽取、事件抽取、实体/评价维度分类任务选择Object Detection with Bounding Boxes` 图片 文档分类任务选择Image Classification 标注主体（Subject）及客体（Object） 图片 Step 2. 关系连线，箭头方向由主体（Subject）指向客体（Object） 图片 Step 3.
3K10编辑于 2023-03-04 - 来自专栏机器学习AI算法工程
文档级关系抽取方法，EMNLP 2020 paper
目前大多数关系抽取方法抽取单个实体对在某个句子内反映的关系，在实践中受到不可避免的限制：在真实场景中，大量的关系事实是以多个句子表达的。文档中的多个实体之间，往往存在复杂的相互关系。 该过程需要对文档中的多个句子进行阅读和推理，这显然超出了句子级关系抽取方法的能力范围。根据从维基百科采样的人工标注数据的统计表明，至少40％的实体关系事实只能从多个句子联合获取。 因此，有必要将关系抽取从句子级别推进到文档级别。 文档级关系抽取数据集DocRED 2019年的ACL上提出了一个关系抽取数据集DocRED，为文档级关系抽取的研究提供了一个非常好的标注数据集，今年的ACL上，就有论文使用DocRED作为语料，提出了文档级关系抽取的模型 图神经网络 相比较传统的CNN和RNN，图神经网络能够更好地在文档层面上建立实体之间的联系，从而实现文档级的关系推理。因此在解决文档级实体关系抽取任务中，图神经网络的主流的方法。
1.3K30发布于 2021-04-01 - 来自专栏数说戏聊
04.字段抽取拆分&记录抽取1.字段抽取2.字段拆分3.记录抽取
1.字段抽取 根据已知列的开始与结束位置，抽取出新的列 字段截取函数slice(start, stop) slice()函数只能处理字符型数据 start从0开始，取值范围前闭后开。 users/bakufu/desktop/4.6/data.csv' ) Out[65]: tel 0 18922254812 1 13522255003 2 `函数将数据转换为str型，并重新赋给原值 df['tel'] = df['tel'].astype(str) Out[68]: 0 18922254812 1 13522255003 2 屏幕快照 2018-07-01 19.52.00.png 3.记录抽取 根据一定条件对数据进行抽取 记录抽取函数dataframe[condition] 参数说明：condition 过滤对条件 返回值 ：DataFrame 类似于Excel对过滤功能 3.1 记录抽取常用的条件类型 比较运算：> < >= <= !
1.7K20发布于 2018-08-02 - 来自专栏TEL18600524535
解码文档信息抽取技术：从原始文档到结构化数据
文档信息抽取技术正是解决这一难题的关键，它犹如一位不知疲倦的数据矿工，能够从非结构化的文档中挖掘出结构化的知识宝藏，为信息的高效利用和分析提供了有力支持工作原理：从原始文档到结构化数据文档信息抽取技术的核心工作流程可分为四个关键阶段 功能特点：智能抽取的多维优势现代文档信息抽取系统展现出多方面优势：高精度与召回率得益于深度学习技术的应用：现代系统在多数场景下能达到90%以上的抽取准确率，大幅降低人工校验成本。 自适应与可定制满足个性化需求：用户可以通过提供样本数据训练定制化模型，使系统适应特定领域和文档类型的抽取需求。 法律与合规部门效率提升：法律合同、合规文档中的条款、日期、义务等信息被自动抽取和分类，大大减轻律师和合规人员的工作负担。 从信息海洋到知识图谱，文档信息抽取技术正帮助我们重新发现和利用那些沉睡在文档中的宝贵信息，开启智能信息处理的新纪元。
68110编辑于 2025-08-26 - 来自专栏Android开发指南
2.抽取代码(BaseActivity)
同步的用法 字符数组 工厂模式，生产fatgment，解决了碎片重复创建的问题 全局上下文 actionbar用法 fargmentadapter，当viewpager里是fargment的话更方便 1.抽取 protected void initActionBar() { } protected void initView() { } protected void init() { } } 2. return BaseApplication.getApplication().getResources(); } /** dip转换px */ public static int dip2px getDisplayMetrics().density; return (int) (dip * scale + 0.5f); } /** pxz转换dip */ public static int px2dip HomeFragment(); } else if (position == 1) { fragment = new AppFragment(); } else if (position == 2)
85680发布于 2018-05-14 - 来自专栏Android开发指南
2.抽取代码(BaseActivity)
同步的用法 字符数组 工厂模式，生产fatgment，解决了碎片重复创建的问题 全局上下文 actionbar用法 fargmentadapter，当viewpager里是fargment的话更方便 1.抽取 void initActionBar() { } protected void initView() { } protected void init() { } } 2. BaseApplication.getApplication().getResources(); } /** dip转换px */ public static int dip2px density; return (int) (dip * scale + 0.5f); } /** pxz转换dip */ public static int px2dip (position == 1) { fragment = new AppFragment(); } else if (position == 2)
45720编辑于 2022-01-17 - 来自专栏小馒头学Python
第2章 知识抽取：概述、方法
文章目录知识抽取的概述知识抽取的任务知识抽取的方法面向结构化数据直接映射R2RML映射面向半结构化数据面向非结构化数据博学之，审问之，慎思之，明辨之，笃行之。 下面我们以关系型数据库为例子接下来我们来看看针对上图的抽取方法中的直接映射和R2RML映射直接映射直接映射通过明确在关系模式中编码的语义，将关系数据转换为RDF，如下按照一些简单的规则创建URI进行映射 映射R2RML映射是将逻辑表作为输入，然后依据三元组映射规则将其转换成三元组的集合。 逻辑表：一个数据库表、一个数据库视图或SQL查询语句三元组映射：通过主语、谓语、宾语映射产生三元组注意：直接映射方法不能改变RDF的结构或词语，但是如果是R2RML的话，作者可以自定义关系型数据库的视图 ，然后由视图来映射RDF，所以说每一个R2RML映射都是基于实际项目需要而描述的，它连接了作为输入端的关系型数据库架构域以及作为输出端的RDF词语。
1.1K10编辑于 2024-04-29 - 来自专栏TEL18600524535
大模型+高精度OCR双轮驱动：智能文档抽取技术赋能精准文档比对
技术架构：大模型 + 高精度OCR 的深度融合文档抽取技术的核心在于将前沿的大语言模型（LLM）微调能力与自研的高精度光学字符识别（OCR）引擎进行深度耦合，形成端到端的智能文档理解与结构化信息抽取平台 2. 在文档比对中的应用场景基于上述高精度抽取能力，文档抽取系统可广泛应用于以下典型场景：1. 合同版本差异比对在法务或采购流程中，常需比对不同版本的合同草案。 文档抽取系统可自动抽取各版本中的关键条款（如付款方式、交付周期、违约责任），并以结构化形式呈现差异点，显著提升审核效率与准确性，避免人工疏漏。2. 通过将大模型微调训练与高精度OCR技术深度融合而诞生的智能文档抽取系统，不仅解决了多版式文档高精度信息抽取的行业难题，更在文档比对这一高价值场景中展现出强大的落地能力。
37610编辑于 2026-01-14 - 来自专栏TEL18600524535
精准、高效、深洞察：文档抽取技术重塑财务分析范式
正是在这一背景下，文档信息抽取技术，正悄然引发一场财务报表分析领域的效率与深度革命。 技术核心：精准的文档信息抽取文档信息抽取技术，深度融合了计算机视觉（CV）、自然语言处理（NLP）和深度学习模型，其核心能力在于：复杂版面分析与还原：能够精准识别财务报表中的表格、段落、标题、脚注等元素 系统能够批量、自动地从海量上市公司年报、招股说明书等PDF文档中，抽取关键财务数据（如营收、利润、资产负债等），并自动填充到结构化的数据库或Excel模板中。 文档信息抽取技术能够精准抽取附注中的关键信息，例如：应收账款账龄分析：自动识别不同账龄段的金额及占比，评估坏账风险。存货构成明细：抽取原材料、在产品、库存商品等明细数据，分析存货结构是否健康。 文档信息抽取技术，正在将财务报表分析从一个依赖个人经验和耐心的“手艺活”，转变为一个基于全量数据和智能算法的“科学决策过程”。
27510编辑于 2025-11-25 - 来自专栏TEL18600524535
智能文档处理的基石：深入解析文档抽取技术在软件中的集成与应用
文档抽取技术的出现，正是打开这些“数据盒子”的钥匙。它结合了OCR（光学字符识别）、自然语言处理（NLP）和计算机视觉（CV）等人工智能技术，能够智能地识别、理解和提取版式文档中的结构化信息。 什么是文档抽取技术？文档抽取技术，特指从非结构化的版式文档（如PDF、图片、扫描件）中，自动识别、定位并提取出特定信息，并将其转化为结构化数据（如JSON、XML、Excel、数据库记录）的过程。 档案数字化与管理：在对历史档案、公文进行数字化扫描后，利用文档抽取技术不仅可以识别文字，还能识别文档类型、发文单位、日期等元数据，实现智能编目和检索。 未来，文档抽取技术将与版式软件更深度地融合，走向更智能、更主动的“文档理解”阶段：端到端的智能文档处理平台： 从上传、解析、校验到入库，全流程自动化。 文档抽取技术正在彻底改变我们与版式文档的交互方式。它不再是简单地将图像转为文本，而是赋予了软件“读懂”文档内容的能力。
30620编辑于 2025-11-22 - 来自专栏码农那些事！！！
SpringBoot+ElasticSearch实现文档内容抽取、高亮分词、全文检索
二、功能实现 1.搭建环境 es+kibana的搭建这里就不介绍了，网上多的是 后台程序搭建也不介绍，这里有一点很重要，Java使用的连接es的包的版本一定要和es的版本对应上，不然你会有各种问题 2. @@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@ * java.lang.RuntimePermission accessClassInPackage.sun.java2d.cmm.kcms es里面了，后面就可以直接分词检索内容，高亮显示了 三.代码 介绍下代码实现逻辑：文件上传，数据库存储附件信息和附件上传地址；调用es实现文本内容抽取，将抽取的内容放到对应索引下；提供小程序全文检索的api Integer", dataTypeClass = Integer.class), @ApiImplicitParam(name = "contenttype", value = "文档类型 Collectors.toList()); } } return newResult; } /** * 高亮分词搜索其它类型文档
3.2K11编辑于 2024-03-18 - 来自专栏TEL18600524535
智能招聘新引擎：文档抽取技术如何重塑企业简历筛选流程
而文档抽取技术的出现，为这一难题提供了智能化的解决方案。什么是文档抽取技术？ 文档抽取技术是自然语言处理领域的一个关键分支，它旨在从非结构化的文档（如PDF、Word、图片等）中自动识别、提取并结构化关键信息。 文档抽取技术在企业简历筛选中的具体应用文档抽取技术已经深度融入到现代招聘系统的各个环节，具体应用体现在以下几个方面：简历信息的自动化录入与标准化应用：系统自动上传简历后，文档抽取引擎会立即运行，在秒级内完成所有关键信息的提取 人才画像构建与深度挖掘应用：文档抽取技术不仅能提取表面信息，还能通过语义分析理解候选人的职业轨迹、能力模型和项目经验。系统可以自动为每位候选人生成一个多维度的“人才画像”。 文档抽取技术正以前所未有的力量，将企业从繁琐、低效的传统简历筛选模式中解放出来。它不仅是提升招聘效率的工具，更是企业实现人才选拔智能化、数据化转型的核心驱动力。
18700编辑于 2025-11-05 - 来自专栏腾讯云大数据
Flink 实践教程-进阶（2）：复杂格式数据抽取
本文将为您详细介绍如何实时获取 CKafka 中的 JSON 格式数据，经过数据抽取、平铺转换后存入 MySQL 中。 前置准备 创建流计算 Oceanus 集群 进入流计算 Oceanus 控制台 [1]，点击左侧【集群管理】，点击左上方【创建集群】，具体可参考流计算 Oceanus 官方文档 创建独享集群 [2]。 具体可参考官方文档 创建 MySQL 实例 [8]。 ; 2. 更多内置运算符和函数请参考流计算 Oceanus 官方文档 [9]。
99020编辑于 2021-12-06 - 来自专栏TEL18600524535
探索文档抽取技术：赋能合同的全生命周期管理
随着人工智能技术的发展，文档抽取技术正成为破解这些难题的关键钥匙。 文档抽取技术：从文本到数据的桥梁文档抽取技术是自然语言处理（NLP）和光学字符识别（OCR）的一个重要应用分支。 文档抽取在合同管理中的核心应用场景基于上述技术，文档抽取能在合同管理的各个环节创造价值：1. 数据自动填充：将抽取出的信息自动填入合同管理系统的相应字段，实现合同的“一键入库”，彻底告别手动录入。2. 未来，文档抽取技术将与大型语言模型（LLM）更深度地结合。
33400编辑于 2025-09-10 - 来自专栏自然语言处理(NLP)论文速递
蚂蚁 && 复旦 | 提出全新多模态文档信息抽取模型
这项研究对视觉富文档的信息抽取具有重要的科研意义和现实应用价值。 这两项任务是最基础的信息抽取任务，不但定义了最基础的信息抽取任务范式，也是其他信息抽取任务的基础。ROP 任务旨在按照人类阅读顺序排列文档标注中的文字内容，是重要的文档理解任务。 图 2 展示了更多真实场景下具有阅读顺序问题的扫描文档，以体现该问题的严重性。 ▲ 图2: 真实场景下扫描文档的阅读顺序问题。最右侧是根据OCR结果自动排列的伪阅读顺序，和人类阅读顺序相冲突。 ▲ 表2: TPP在EL任务上的效果。 ▲ 表3: TPP在ROP任务上的效果。 指出了文档信息抽取中的阅读顺序问题，指出当前的 NER 模型不适合应用于具有阅读顺序问题的真实场景，并针对真实场景重新提出文档 NER 的任务范式； 2.
2.3K10编辑于 2023-12-12 - 来自专栏大数据智能实战
适用于大规模文档关键词抽取的利器(flashtext)
从文档中抽取关键词并对关键词相关的变体进行替换，是信息抽取中常用的做法之一，特别是基于规则词典的方法。 常见的实现方式是基于正则表达式的方式，2017年的这篇文档介绍则实现了一种全新的算法及其实现原理：flashtext (Replace or Retrieve Keywords In Documents 该方法的效率如下图所示：(时间效率上可以看出是一条平衡的直线，不随文档词的数量变化而变化。) 这个算法实际上就只有一个python类。虽然是针对英文的，不过经过测试，对中文同样适用。
60120编辑于 2022-05-07 - 来自专栏TEL18600524535
文档抽取技术：赋能合同审阅，构筑智能风控新范式
随着人工智能技术的发展，特别是文档抽取技术的成熟，智能合同对比系统应运而生，正从根本上改变这一局面。什么是文档抽取技术？文档抽取技术是自然语言处理和深度学习的一个关键应用领域。 文档抽取技术在合同对比系统中的应用合同对比系统将文档抽取技术作为其核心的“理解”引擎，其应用流程通常如下：智能解析与信息结构化系统首先利用文档抽取技术，对上传的两份或多份合同进行深度解析。 文档抽取技术带来的核心优势将文档抽取技术融入合同对比系统，带来了革命性的优势：效率的指数级提升从小时到分钟：原本需要数小时甚至数天的人工对比工作，现在可以在几分钟内完成。 理解上下文：先进的抽取模型能够结合上下文理解词义，避免将“第三条第2款”中的“2”误认为是金额，从而大大提升了对比的准确性。增强风险管控能力主动预警：系统从“被动对比”变为“主动风控”。 未来展望随着多模态模型和更强大的大语言模型的发展，未来的文档抽取技术将更加智能。
37510编辑于 2025-10-29 - 来自专栏NLP/KG
文档级关系抽取：基于结构先验产生注意力偏差SSAN模型
文档级关系抽取主要面临以下三个挑战: 相同关系会出现在多个句子。 在文档级关系抽取中，单一关系可能出现在多个输入的句子中，因此模型需要依赖多个句子进行关系推断。 相同实体会具有多个指称。 其在实现时，提出一些改善 相比于TransE这种模型，引用了非线性函数t a n h tanhtanh函数 使用了预训练的方法进行embedding，通过word2vec方式 3.2 推理任务二：规则抽取 （160MB） 目前，针对这种文档及关系抽取，主要有两类研究方法，一类是基于文档图的方法；另一类是基于序列的方法，基于 Transformer 等模型来进行文档级的关系抽取。 DocRED[1]，为文档级关系抽取的研究提供了一个非常好的标注数据集。
79120编辑于 2022-12-21 - 来自专栏TEL18600524535
从数据到洞察：文档抽取技术如何赋能银行流水分析
近年来，随着人工智能技术的成熟，文档抽取技术正成为破解这一难题的关键利器，为银行流水分析带来了革命性的变革。 文档抽取技术：银行流水的“智能解码器”文档抽取技术是自然语言处理（NLP）和计算机视觉（CV）交叉领域的前沿技术，它能够像“智能解码器”一样，自动从非结构化的文档中识别、定位并提取出结构化的信息。 智能OCR：不仅能识别字符，还能理解文档的版面布局，区分表头、表格主体、页脚等，准确还原流水表格的结构。2. 2. 财务审计与合规应用：自动核对账目，快速定位大额、异常交易（如相同金额的频繁进出、与黑名单账户的交易）。 未来趋势：多模态融合：结合文本、版式、视觉特征，打造更鲁棒的抽取模型。通用化与少样本学习：文档抽取模型将不再依赖海量标注数据，能够快速适应新的、未见过的银行流水格式。
51400编辑于 2025-11-06 - 来自专栏腾讯云流计算 Oceanus
Flink 实践教程：进阶2-复杂格式数据抽取
本文将为您详细介绍如何实时获取 CKafka 中的 JSON 格式数据，经过数据抽取、平铺转换后存入 MySQL 中。 进入 Oceanus 控制台 [1]，点击左侧【集群管理】，点击左上方【创建集群】，具体可参考 Oceanus 官方文档 创建独享集群 [2]。 具体可参考官方文档 创建 MySQL 实例 [8]。 ); 2. 更多内置运算符和函数请参考 Oceanus 官方文档 [9]。
1.5K20编辑于 2021-12-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号