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。
🔹PaddleOCR 项目地址：
https://github.com/PaddlePaddle/PaddleOCR
🔹PaddleNLP 项目地址：
https://github.com/PaddlePaddle/PaddleNLP
参考文献
[1] PP-OCR: A Practical Ultra Lightweight OCR System
（https://arxiv.org/pdf/2009.09941.pdf）
[2] ERNIE-Gram: Pre-Training with Explicitly N-Gram Masked Language Modeling for Natural Language Understanding
（https://arxiv.org/pdf/2010.12148.pdf）
