在当今数字化的商业环境中，如何高效地从海量的非结构化信息中提取有用的数据，已经成为了企业面临的重要挑战。商业文档信息提取（BDIE）应运而生，旨在将如原始文本、扫描文件等非结构化信息转化为结构化格式，以便下游系统解析和使用。本文将深入探讨一种创新的框架——检索增强结构生成（RASG），以及它如何在BDIE领域取得突破性成果。
什么是商业文档信息提取？
商业文档信息提取（BDIE）主要包括两个关键任务：
- 关键信息提取（KIE）： 从文档中提取重要信息。
- 行项识别（LIR）： 识别并提取文档中的行项和表格。
这些任务的核心目标是将复杂的、混杂的信息以一种可以被机器理解和处理的方式结构化。
检索增强结构生成（RASG）框架
RASG 的核心组件
- 检索增强生成（RAG）： 通过上下文学习，教会大型语言模型（LLM）如何使用新工具。
- 监督微调： 通过微调，进一步提高提取输出的准确性。
- 结构生成： 确保输出可以被下游程序解析。
- 结构提示： 在提示中注入布局信息，以增强模型对文档结构的理解。
新的评价指标
为了更好地评估行项识别任务，作者提出了一种新的指标：通用行项识别指标（GLIRM）。相比现有的指标（如ANLS*、DocILE和GriTS），GLIRM更贴近实际的BDIE应用场景。
算法创新
RASG 还提供了一种启发式算法，用于在无需视觉编码器的情况下反向计算预测的行项和表格的边界框。
实验与验证
数据集与模型
- 数据集： 使用DocILE数据集进行基准测试。
- 模型： 测试了GPT-3.5（商业化）和 Hermes 2 Pro - Mistral 7B（开源）。
消融研究
通过消融研究，评估了RASG组件（检索增强生成、监督微调、结构提示）对模型性能的影响。
检索机制
使用小波哈希的曼哈顿距离测量页面相似性，以优化检索机制。
现实应用中的优势
在实际应用中，结合RASG的LLM往往比传统的多模态模型（LMM）表现更为出色。无论是在提取准确性还是处理速度上，RASG框架都展示了其优越性。
例如，使用RASG框架的GPT-3.5能够在处理复杂的发票信息提取任务时，迅速准确地识别出关键的发票号、金额和日期等信息，而无需借助额外的视觉处理工具。这种高效的处理能力不仅节省了人力成本，还大大提高了数据处理的准确性和可靠性。
结论与展望
通过对这些前沿技术的研究和应用，我们有理由相信，未来的商业文档信息提取将变得更加智能和高效