实体识别+表格识别，A股上市公司公告信息抽取(附数据集+视频)

向AI转型的程序员都关注了这个号👇👇👇

机器学习AI算法工程  公众号：datayx

数据说明本次比赛将提供3种类型的数据：1、原始公告pdf，以{公告id}.pdf命名；2、公告pdf转换的html文件，以{公告id}.html命名；3、公告对应的结构化数据，以表格的格式给出，每种公告类型提供一份数据，每篇公告可能会对应多条数据，格式说明如下：

公告抽取赛题要求参赛选手从公告文本中抽取出1条或多条结构化数据，需要抽取的字段（Slot）是提前设定好的。

 

数据集、代码获取方式

关注微信公众号 datayx  然后回复 信息抽取  即可获取。

AI项目体验地址 https://loveai.tech

一、解决方案整体流程

二、结构提取

本次采用的是从HTML文件开始，在提取过程种保留了HTML的文档的结构，主要是标题，层次结构，表格信息等。

工具(Tools)：Beautifulsoup

表格：表头识别、表格跨页合并、rowspan处理

段落标题：数字开头、内容矫正

图片：删除

三、文本预处理

全角字符转换：％ -> %

空行、空格删除：

数字格式转换：68,059,079股 -> 68059079

数字单位转换：合计金额不低于4亿元人民币 ->合计金额不低于 400000000元人民币

格式纠错：表格转换错误，语句非正常断句等（HTML转换问题）。

四、表格处理

这里要注意，表格的描述信息应该加入到表格的判断中来。

五、实体识别

1、训练集反向标注实体建立实体识别训练集

2、BiLSTM-CRF训练NER模型(Tensorflow)

3、调用模型预测实体

在标注的时候注意实体间的关系，主键需要在统一句话中才标注，其他属性与部分主键同时出现才标注，这样可以控制标注数据集的假阳性。

六、实体关系确认

1、实体约束：明确的规则，ref [round2] FDDC_announcements_submit_notice_20180806.pdf

2、实体格式转换：日期、数量、金额，顿号分割等

3、实体过滤：例如全称和简称的位置关系、交易标的和标的公司的位置关系等

4、枚举的实体：锁定期、评估方法、认购方式

5、缩写、指代

6、主键组合：同一个句子里面的实体组合主键

7、属性关联主键：主键与属性出现在同一个句子的进行组合

8、条件规则过滤：关键词匹配句子过滤

9、去重

七、模型优化

1、实体标注技巧(Entity annotation skills)：

   按句子级别标注，同一个句子中包含所有主键则纳入训练集(primary key in one sentence)

   简称、指代替换(full-short refer replacement)

   信息损失，数字精度、日期简写(number precision、 date abbreviation)

2、奥卡姆剃刀：当公告结果只有一个主键时，其属性值不会产生歧义，往往属性不与主键在一个句子。

3、语义纠错：明显的单位错误，例如“万元”写成“元”，通过值域判断。

4、篇章语义：复杂文档会根据目录结构选择性阅读，而非整篇通读。

---

阅读过本文的人还看了以下：

不断更新资源

深度学习、机器学习、数据分析、python

 搜索公众号添加： datayx  

长按图片，识别二维码，点关注

AI项目体验

https://loveai.tech