自训练抽取
业务场景描述
在企业文档处理的场景中，我们经常会遇到文档关键信息抽取的业务需求。虽然目前市面上已经有非常多开箱即用的文档抽取模型，例如增值税发票识别、采购合同抽取等，但是每个企业的文档版式、内容特征各不相同，开箱即用的模型不能解决所有企业的文档抽取问题。
来也智能文档处理平台利用平台上已有的OCR、NLP原子能力以及深度学习模型，研发了自训练抽取能力，支持用户通过标注数据即可训练出一个文档抽取模型，用于生产环境中对文档进行关键信息自动提取。创建一个自训练抽取模型可以：
- 标注少量数据，系统就可以训练出一个可用的模型
- 将效果不好的数据加入再次训练后，可明显提升同类型数据的效果
此外，来也还根据训练样本类型和数量的不同提供了2种训练方式：
- 单据自训练适用于处理训练数据较少、文档为结构化或半结构化的场景，例如送货单、非标准化票据等
- 文档自训练适用于处理训练数据较多的场景，也非常适合处理非结构化的文档，例如合同、招标公告、简历等
特点
自训练抽取具有以下几个特点：
- 简单易用：提供数据管理->标注->训练->评测->上线->优化的工作流程引导，手把手的教你如何打造一个可用于生产环境的模型。
- 模型轻量：以OCR识别的结果作为输入，充分利用视觉和语义信息建模，在低成本（标注数据少、资源占用少）的情况下完成文档信息抽取任务。
使用方法
下面将以英文发票为例，创建一个发票抽取模型。
- 点击这里下载测试数据，跟着引导试一试吧！
创建模型
1）登录平台后点击左侧导航栏的文档理解进入自训练抽取。
2）点击新建模型，创建一个模型。
- 语言：因为不同语言需要进行不同的预处理，如中文需要切字、英文需要切词；请根据模板上的主要语言选择模型的语言种类。
3）点击 开始或配置 进入模型配置
4）进入模型配置后，会看到右上角的工作进度引导已经打开，请按照工作进度的引导完成后续步骤。
新建字段
1）点击工作进度中的第1步 新建字段，点击去新建，进入字段分页。
2）分析希望模型从文件中提取的内容，根据需求创建字段。
- 字段名不得超过100个字
- 字段类型可以选择字符串、数组，如果内容会出现在文档的多个位置，请选择数组类型
- 字段后处理来自于资源模块，预设词表的具体处理规则可以在常见问题中查询到
注意： 修改字段类型“数组”为“字符串”时，可能会导致部分标注数据丢失
上传数据
1）点击工作进度中的第2步 上传数据，点击去上传，进入数据分页。
2）上传相关业务数据到数据管理。
- 数据管理中的数据可以用于模型的训练、评测
- 数据上传后将自动进行OCR识别，识别完成后才能进行标注
标注数据，构建数据集
1）点击工作进度中的第3步 标注数据，点击去标注，进入数据分页。
2）点击任意一条数据的标注，进入标注页面。
- 如果模型有已发布的版本，数据上传后会使用已发布版本进行抽取，为用户提供预标注
3）标注页面提供划词、框选2种标注方法，选中字段值区域后，系统会自动弹出标注弹窗，可以在这个弹窗里修改标注结果、选择字段，最后点击确认，保存标注内容。
- 如果字段类型为数组，可以标注多个值
- 如果字段类型为字符串，第二次标注结果将会覆盖上次标注结果
- 如果一个字段在文档中没有出现，请将该字段标记为没有出现
- 标注完一条数据的所有字段后，数据的状态才会变成已标注
4）标注完所有字段后，将当前数据加入到训练集或评测集。
5）配置好训练集和评测集后，就可以进入下一步了。
新建版本
1）点击工作进度中的第5步 新建版本，点击去新建，进入版本分页。
2）点击新建版本，创建一个名称为V1的版本。
训练
1）点击工作进度中的第6步 训练，点击去训练，进入版本分页。
2）点击V1版本的训练，根据需求选择训练方式、发起模型训练，等待训练完成后，可以继续下一步。
- 请注意，训练集中应该包含业务场景中的真实且具有代表性的数据，如果评测集不会空，系统将在训练完成后主动发起一次评测。
评测
1）点击工作进度中的第7步 评测，点击去评测，进入版本分页。
2）点击V1版本的评测，发起模型评测。
- 请注意，评测集中应该包含与训练集同分布的数据，如果偏离训练集较大，可能效果会不尽人意。
3）等待评测完成后，点击版本的上次评测F1值，可以打开本次评测的详细报告。
- 评测报告包含基础信息、整体评测结果、字段评测结果、文档评测结果等信息，可以从不同维度查看模型的效果。
发布版本
1）点击工作进度中的第8步 发布，点击去发布，进入版本分页。
2）点击需要发布版本操作下的发布，将当前版本发布。
3）发布之后回到模型列表页面，点击模型的测试，测试效果是否满足预期。
抽取结果包含了以下部分：
- 平均置信度：用每个结果的置信度加权平均，一定程度上能反应这张数据的整体准确度
- 字段：以字段粒度呈现抽取结果，包含了每个结果的置信度
- 结构化建议：当模型训练方式为单据自训练时，考虑到单据上经常会出现表格，模型提供了通用行还原，对抽取模型的结果进行组装，提供结构化建议。
常见问题
如何选择训练方式
我们根据训练样本类型和数量提供了2种训练方式：
单据自训练适用于处理训练数据较少、文档为结构化或半结构化的场景，例如送货单、非标准化票据等。
文档自训练适用于处理训练数据较多的场景，也非常适合处理非结构化的文档，例如合同、招标公告、简历等。
如何配置训练数据
单据自训练训练数据推荐配置：如果版式较少(少于10种)，每种版式30-50张左右；如果版式较多(大于100种)，每种版式10张左右。版式越多，模型对于每种版式的数据量要求越少。
文档自训练训练数据推荐配置：当训练集数据达到50份以上时，可以选择文档自训练训练方式，如果需要获得稳定、不错的泛化效果，建议训练数据增加到2000份。
如何提高自训练抽取召回率
自训练抽取“版本”选项，更多选项中，点击配置规则，对无召回情况，补充自定义模板规则，尝试二次召回。
预设词表使用说明
| 中文名 | 说明 | 后处理前 | 后处理后 |
| 数字 | 提取结果中的第一个数字，包含整数、小数、百分数 | :1234 | 1234 |
| a12.34x | 12.34 | ||
| a-3.45% | -3.45% | ||
| 整数 | 提取结果中的第一个整数 整数：自然数、0、自然数的负数 | :1234 | 1234 |
| a12.34x | 12 | ||
| a-3.45% | -3 | ||
| 小数 | 提取结果中的第一个小数，包含负号 | :1234 | \[空] |
| a12.34x | 12.34 | ||
| a-3.45% | -3.45 | ||
| 百分数 | 提取结果中的第一个百分数，包含负号 | :1234 | \[空] |
| a12.34x | \[空] | ||
| a-3.45% | -3.45% | ||
| 汉字 | 提取结果中的汉字，直到第一个非汉字出现 | 中国电子大厦东门19层 | 中国电子大厦东门 |
| 签名x123好 | 签名 | ||
| 字母 | 提取结果中的字母，直到第一个非字母 | TOTAL ORIGIN 1320.00 USD | TOTAL ORIGIN |
| 日期 | 提取结果中的第一个日期，目前处理的格式包含2020年08月13日、2020-8-13、08/13/2020、13/08/2020、2020/08/13 | 2020年08月13日x | 2020年08年13日 |
| 2020-8-132 | 2020-8-13 | ||
| 1208/13/2020 | 08/13/2020 | ||
| 币种 | 提取结果中的币种，不区分大小写，结果输出会进行归一化处理，都转成大写 | cny | CNY |
| 100.00（USD | USD |