基于五条标注数据快速完成快递单信息抽取

基于五条标注数据快速完成快递单信息抽取

本项目将演示如何通过五条标注样本进行模型微调，快速且准确抽取快递单中的姓名、电话、省、市、区、详细地址等内容，形成结构化信息。辅助物流行业从业者进行有效信息的提取，从而降低客户填单的成本。

1. 任务介绍

如何从物流信息中抽取想要的关键信息呢？我们首先要定义好需要抽取哪些字段。

比如现在拿到一个快递单，可以作为我们的模型输入，例如'张三 18625584663 广东省深圳市南山区学府路东百度国际大厦'，那么序列标注模型的目的就是识别出其中的'张三'为人名，'18625584663'为电话名，'广东省深圳市南山区百度国际大厦'分别是『省、市、区、街道』4 级地址）。

这是一个典型的命名实体识别（Named Entity Recognition，NER）场景，各实体类型及相应符号表示见下表：

抽取实体/字段	抽取结果
姓名	张三
电话	15209XX1921
省份	广东省
城市	深圳市
县区	南山区
详细地址	百度国际大厦

2. 方案设计

2.1 UIE 基于 Prompt 统一建模

Yaojie Lu 等人提出了开放域信息抽取的统一框架，这一框架在实体抽取、关系抽取、事件抽取、情感分析等任务上都有着良好的泛化效果。

PaddleNLP 基于这篇工作的 prompt 设计思想，提供了以 ERNIE 为底座的信息抽取模型，用于关键信息抽取。同时，针对不同场景，支持通过构造小样本数据来优化模型效果，快速适配特定的关键信息配置。

2.2 UIE 的优势

• 使用简单：用户可以使用自然语言自定义抽取目标，无需训练即可统一抽取输入文本中的对应信息。实现开箱即用，并满足各类信息抽取需求。
• 降本增效：以往的信息抽取技术需要大量标注数据才能保证信息抽取的效果，为了提高开发过程中的开发效率，减少不必要的重复工作时间，开放域信息抽取可以实现零样本（zero-shot）或者少样本（few-shot）抽取，大幅度降低标注数据依赖，在降低成本的同时，还提升了效果。
• 效果领先：开放域信息抽取在多种场景，多种任务上，均有不俗的表现。

2.3 应用场景示例

• 医疗场景 - 专病结构化
• 金融场景 - 收入证明、招股书抽取

3. 环境准备

! pip install --upgrade paddlenlp -i https://mirror.baidu.com/pypi/simple
! pip show paddlenlp

4. 开箱即用

from paddlenlp import Taskflow

schema = ["姓名", "省份", "城市", "县区"]
ie = Taskflow("information_extraction", schema=schema)
ie("北京市海淀区上地十街 10 号 18888888888 张三")

[{'姓名': [{'text': '张三',
    'start': 24,
    'end': 26,
    'probability': 0.9659838994810457}],
  '城市': [{'text': '北京市',
    'start': 0,
    'end': 3,
    'probability': 0.9992708589150467}],
  '县区': [{'text': '海淀区',
    'start': 3,
    'end': 6,
    'probability': 0.9997972338090335}]}]

5. 轻定制功能

对于『电话』、『详细地址』这些非通用性实体类型标签，推荐使用 PaddleNLP 提供的轻定制功能（训练 - 部署全流程工具）。

我们标注 5 条数据试试效果。

5.1 数据标注

我们推荐使用数据标注平台 doccano 进行数据标注，本案例也打通了从标注到训练的通道，即 doccano 导出数据后可通过 doccano.py 脚本轻松将数据转换为输入模型时需要的形式，实现无缝衔接。为达到这个目的，您需要按以下标注规则在 doccano 平台上标注数据：

Step 1. 本地安装 doccano（请勿在 AI Studio 内部运行，本地测试环境 python=3.8）

$ pip install doccano

Step 2. 初始化和账户（用户名和密码可替换为自定义值）

$ doccano init $ doccano createuser --username my_admin_name --password my_password

Step 3. 启动 doccano

• 在一个窗口启动 doccano 的 WebServer，保持窗口

$ doccano webserver --port 8000

• 在另一个窗口启动 doccano 的任务队列

$ doccano task

Step 4. 运行 doccano 来标注实体和关系

打开浏览器（推荐 Chrome），在地址栏中输入

http://0.0.0.0:8000/

后回车即得以下界面。

登陆账户。点击右上角的 LOGIN，输入 Step 2 中设置的用户名和密码登陆。

创建项目。点击左上角的 CREATE，跳转至以下界面。

• 勾选序列标注（Sequence Labeling）
• 填写项目名称（Project name）等必要信息
• 勾选允许实体重叠（Allow overlapping entity）、使用关系标注（Use relation labeling）
• 创建完成后，项目首页视频提供了从数据导入到导出的七个步骤的详细说明。

设置标签。在 Labels 一栏点击 Actions，Create Label 手动设置或者 Import Labels 从文件导入。

• 最上边 Span 表示实体标签，Relation 表示关系标签，需要分别设置。

导入数据。在 Datasets 一栏点击 Actions、Import Dataset 从文件导入文本数据。

• 根据文件格式（File format）给出的示例，选择适合的格式导入自定义数据文件。
• 导入成功后即跳转至数据列表。

标注数据。点击每条数据最右边的 Annotate 按钮开始标记。标记页面右侧的标签类型（Label Types）开关可在实体标签和关系标签之间切换。

• 实体标注：直接用鼠标选取文本即可标注实体。
• 关系标注：首先点击待标注的关系标签，接着依次点击相应的头尾实体可完成关系标注。

导出数据。在 Datasets 一栏点击 Actions、Export Dataset 导出已标注的数据。

5.2 将标注数据转化成 UIE 训练所需数据

• 将 doccano 平台的标注数据保存在 ./data/ 目录。对于快递单信息抽取的场景，可以直接下载标注好的。

! wget https://paddlenlp.bj.bcebos.com/model_zoo/uie/waybill.jsonl
! mv waybill.jsonl ./data/

! python doccano.py --doccano_file ./data/waybill.jsonl --splits 1 0 0

可配置参数说明

• doccano_file: 从 doccano 导出的数据标注文件。
• save_dir: 训练数据的保存目录，默认存储在 data 目录下。
• negative_ratio: 最大负例比例，该参数只对抽取类型任务有效，适当构造负例可提升模型效果。负例数量和实际的标签数量有关，最大负例数量 = negative_ratio * 正例数量。该参数只对训练集有效，默认为 5。为了保证评估指标的准确性，验证集和测试集默认构造全负例。
• splits: 划分数据集时训练集、验证集所占的比例。默认为 0.8, 0.1, 0.1 表示按照 8:1:1 的比例将数据划分为训练集、验证集和测试集。
• task_type: 选择任务类型，可选有抽取和分类两种类型的任务。
• options: 指定分类任务的类别标签，该参数只对分类类型任务有效。
• prompt_prefix: 声明分类任务的 prompt 前缀信息，该参数只对分类类型任务有效。
• is_shuffle: 是否对数据集进行随机打散，默认为 True。
• seed: 随机种子，默认为 1000.

5.3 一键微调

因为是轻量级定制，即训练集数量较少时，通常将训练集直接作为验证集。

• 执行以下脚本进行一键微调

对 finetune.py 文件保存逻辑，进行修改，只保留最好模型，减少储存。

! python finetune.py \
    --train_path ./data/train.txt \
    --dev_path ./data/train.txt \
    --save_dir ./checkpoint \
    --model uie-base \
    --learning_rate 1e-5 \
    --batch_size 16 \
    --max_seq_len 512 \
    --num_epochs 10 \
    --seed 1000 \
    --logging_steps 10 \
    --valid_steps 10

可配置参数说明：

• train_path: 训练集文件路径。
• dev_path: 验证集文件路径。
• save_dir: 模型存储路径，默认为 ./checkpoint。
• learning_rate: 学习率，默认为 1e-5。
• batch_size: 批处理大小，请结合显存情况进行调整，若出现显存不足，请适当调低这一参数，默认为 16。
• max_seq_len: 文本最大切分长度，输入超过最大长度时会对输入文本进行自动切分，默认为 512。
• num_epochs: 训练轮数，默认为 100。
• model: 选择模型，程序会基于选择的模型进行模型微调，可选有 uie-base 和 uie-tiny，默认为 uie-base。
• seed: 随机种子，默认为 1000.
• logging_steps: 日志打印的间隔 steps 数，默认 10。
• valid_steps: evaluate 的间隔 steps 数，默认 100。
• device: 选用什么设备进行训练，可选 cpu 或 gpu。

5.4 推理部署

• 执行以下代码高性能部署快递单识别定制版本 UIE 模型

from paddlenlp import Taskflow

schema = ["姓名", "电话", "省份", "城市", "县区", "详细地址"]
ie = Taskflow("information_extraction", schema=schema, task_path="./checkpoint/model_best")
ie("北京市海淀区上地十街 10 号 18888888888 张三")

[{'姓名': [{'text': '张三',
    'start': 24,
    'end': 26,
    'probability': 0.99934272729783}],
  '电话': [{'text': '18888888888',
    'start': 13,
    'end': 24,
    'probability': 0.9902358279724055}],
  '城市': [{'text': '北京市',
    'start': 0,
    'end': 3,
    'probability': 0.99967702117047}],
  '县区': [{'text': '海淀区',
    'start': 3,
    'end': 6,
    'probability': 0.9998499188335472}],
  '详细地址': [{'text': '上地十街 10 号',
    'start': 6,
    'end': 13,
    'probability': 0.9594372662315109}]}]