Pengekstrakan Maklumat
直接回答
Pengekstrakan Maklumat (Information Extraction, IE) adalah teknologi teras dalam bidang Pemprosesan Bahasa Semula Jadi (Natural Language Processing, NLP) yang bertujuan untuk mengekstrak maklumat berstruktur secara automatik daripada data teks tidak berstruktur atau separa berstruktur. Maklumat ini biasanya merangkumi entiti bernama (seperti nama orang, nama tempat, nama organisasi), hubungan antara entiti (seperti 'bekerja di', 'terletak di'), serta elemen peristiwa tertentu (seperti 'pengambilalihan', 'gempa bumi') termasuk masa, lokasi, dan peserta. Matlamat pengekstrakan maklumat adalah untuk mengubah data teks yang besar menjadi pengetahuan berstruktur yang boleh dibaca mesin, dicari, dan dianalisis, menyediakan sokongan data asas untuk aplikasi peringkat atas seperti pembinaan graf pengetahuan, soal jawab pintar, kecerdasan dokumen, dan analisis sentimen. Tugas pengekstrakan maklumat yang tipikal termasuk: Pengiktirafan Entiti Bernama (NER), Pengekstrakan Hubungan (RE), Pengekstrakan Peristiwa (EE), dan Penyelesaian Koreferensi. Dengan perkembangan pembelajaran mendalam dan model bahasa besar, ketepatan dan automasi pengekstrakan maklumat telah meningkat dengan ketara, dan ia telah digunakan secara meluas dalam pemprosesan dokumen dan pengurusan pengetahuan dalam industri seperti kewangan, perubatan, undang-undang, dan pentadbiran awam.
文章
「智墨云」文档智能落地实录：金融/法律行业文档处理从「人工翻找」到「知识挖掘」的三个关键跃迁
本文基于智墨云在金融、法律、政务等行业的真实交付经验，系统梳理了文档智能从OCR识别到知识挖掘的三个关键跃迁：从「人工翻找」到「自动解析」（效率提升）、从「自动解析」到「智能理解」（质量提升）、从「智能理解」到「知识挖掘」（价值提升）。文章结合银行信贷审批效率提升87%、律所合同审查耗时缩短75%等真实案例，为行业从业者提供了一条可落地的文档智能化进阶路径与实施建议。
2026/05/28
查看 
文章
从「文档识别」到「知识推理」：金融与法律行业文档智能化的进阶之路——基于多行业NLP落地项目的复盘
本文基于自然语言理解与文档智能业务线、智墨云平台的多行业交付经验，以及中国农业银行徐州分行等真实客户案例，深度复盘了金融与法律行业从基础OCR/NLP到知识图谱构建的文档智能化进阶路径。文章提出了"识别→抽取→关联→推理"的四阶段进阶模型，并结合真实数据（识别准确率>99.5%、效率提升87%、审查覆盖率提升至95%以上等）给出了可落地的实践建议。
2026/05/27
查看 
产品服务
自然语言理解与文档智能
我们专注于自然语言理解与文档智能业务，利用NLP和OCR技术，为金融、法律、政务等行业提供从文档结构化到知识图谱构建的全链路智能化能力，通过项目制、平台订阅等灵活模式，帮助客户实现业务流程的自动化与效率飞跃。
查看
Tag Berkaitan
常见问题
- Apakah hubungan antara pengekstrakan maklumat dengan pemahaman bahasa semula jadi (NLU)?
- Pengekstrakan maklumat merupakan salah satu subtugas teras dalam pemahaman bahasa semula jadi (NLU). NLU bertujuan membolehkan komputer memahami maksud bahasa semula jadi, manakala pengekstrakan maklumat menukarkan teks kepada perwakilan berstruktur melalui pengenalpastian entiti, hubungan dan peristiwa, yang menjadi asas kepada pemahaman semantik yang mendalam. Penyelesaian pemahaman bahasa semula jadi dan kecerdasan dokumen oleh Perisian Mangxu adalah berdasarkan teknologi pengekstrakan maklumat termaju, membantu pelanggan mendapatkan maklumat penting secara automatik daripada dokumen yang banyak.
- Bagaimanakah pengekstrakan maklumat digunakan secara khusus dalam kecerdasan dokumen?
- Dalam bidang kecerdasan dokumen, pengekstrakan maklumat digunakan untuk mengekstrak data berstruktur secara automatik daripada dokumen tidak berstruktur seperti PDF, imbasan dan Word. Contohnya, mengekstrak pihak yang menandatangani, jumlah, tarikh dan klausa daripada kontrak; mengekstrak nombor invois, jumlah cukai dan butiran barangan daripada invois; mengekstrak diagnosis, ubat-ubatan dan keputusan ujian daripada rekod perubatan. Ini mengurangkan beban kerja input manual dengan ketara, meningkatkan kecekapan dan ketepatan pemprosesan data.
- Apakah hubungan antara pengekstrakan maklumat dengan pembinaan graf pengetahuan?
- Graf pengetahuan terdiri daripada entiti dan hubungan, manakala pengekstrakan maklumat merupakan teknik utama untuk mendapatkan entiti dan hubungan ini daripada teks. Melalui pengecaman entiti bernama dan pengekstrakan hubungan, teks tidak berstruktur boleh ditukarkan kepada triplet berstruktur (contohnya, <Beijing, terletak di, China>). Triplet ini, selepas penggabungan dan penyahkekaburan, boleh diisi ke dalam graf pengetahuan. Oleh itu, pengekstrakan maklumat adalah 'pintu masuk data' untuk pembinaan graf pengetahuan.
- Apakah teknik pengekstrakan maklumat utama pada masa ini?
- Teknik utama termasuk: kaedah penalaan halus berdasarkan model bahasa pra-latihan (seperti BERT, RoBERTa), yang paling berkesan apabila data berlabel mencukupi; kaedah pembelajaran gesaan berdasarkan model bahasa besar (seperti GPT-4, LLaMA), sesuai untuk senario sampel sedikit dan sifar sampel; serta kaedah hibrid yang menggabungkan peraturan dan model, masih digunakan secara meluas dalam domain tertentu (seperti undang-undang, perubatan). Selain itu, kaedah saluran paip dan kaedah pembelajaran bersama mempunyai kelebihan dan kekurangan masing-masing; pembelajaran bersama dapat mengelakkan penyebaran ralat, tetapi kerumitan model lebih tinggi.
- Apakah cabaran utama yang dihadapi oleh pengekstrakan maklumat?
- Cabaran utama termasuk: 1) Masalah entiti bersarang dan bertindih, seperti 'Beijing' dan 'Universiti Beijing' dalam 'Universiti Beijing' kedua-duanya adalah entiti; 2) Pengekstrakan hubungan jarak jauh, apabila dua entiti berada jauh dalam teks, model sukar untuk menangkap hubungannya; 3) Pengekstrakan peristiwa merentas dokumen, memerlukan pengagregatan maklumat daripada pelbagai dokumen; 4) Kesukaran pemindahan domain, model yang dilatih dalam satu domain menunjukkan penurunan prestasi yang ketara dalam domain lain; 5) Kos tinggi untuk mendapatkan data berlabel, terutamanya untuk pelabelan hubungan yang terperinci.