建立文件處理擷取器

^{適用於： ✓ 非結構化文件處理}

在建立分類器模型以自動識別和分類特定文件類型之前或之後，您可以選擇將擷取器新增至模型，以從這些文件中提取特定資訊。 例如，您可能會想要模型不僅能識別新增至文件庫的所有續約文件，還能在文件庫中將每份文件的服務開始日期顯示為欄值。

您必須為要擷取之文件的每個實體建立擷取器。 在我們的範例中，我們想提取模型識別的每份合約續約文件的服務開始日期。 我們希望能在文件庫中看到所有 合約續 約文件的檢視，並有一欄顯示每份文件的 服務開始 日期值。

為您的擷取器命名

1. 從模型首頁的 「建立並訓練擷取器 」圖塊中，選擇 「列車擷取器」。

2. 在 [新增實體擷取器] 畫面的 [新擷取器名稱] 欄位中輸入您的擷取器名稱。 例如，如果您想要從每個續約文件擷取服務開始日期，請將它命名為服務開始日期。 您也可以選擇重複使用之前建立的欄位 (例如受管理的中繼資料欄)。

   預設欄位類型為 單行文字。 如果你想更改欄位類型，請選擇 「進階設定>」欄位類型，然後選擇你想使用的類型。

   

   注意事項

   對於欄位類型為 單行文字的擷取器，最大字元限制為 255 字元。 任何你選擇超過限制的角色都會被截斷。 若要選擇超過 255 字元，請在建立擷取器時選擇 「多行文字 欄位」類型。

   預設情況下，會建立 多行文字 欄位，且新增文字數量有限。 在這種情況下，擷取的文字可能會被截斷。 若發生這種情況，可以使用欄位設定「 允許文件庫無限長度 」來移除限制。

3. 完成後，請選取 [建立]。

新增標籤

下一個步驟是在範例訓練檔案中，將您要擷取的實體加上標籤。

建立擷取器會開啟 [擷取] 頁面。 您會在這裡看到範例檔案清單，而清單上的第一個檔案會顯示在檢視器中。

1. 從檢視器中，選取您要從檔案中擷取的資料。 例如，如果您想擷取 開始服務日期，請在第一個檔案中選取日期值， (2022 年 10 月 14 日星期一) 。 然後選擇 儲存。 您應該會在 [標籤] 欄下的 [標籤範例清單] 中看到檔案的值。

2. 選擇 「下一個檔案 」自動儲存，然後在檢視器中打開列表中的下一個檔案。 或者，選取 [儲存]，然後從 [標籤範例] 清單中選取另一個檔案。

3. 在檢視器中，重複步驟 1 和 2，直到您將標籤儲存在所有五個檔案中。

   

當您在五個檔案上加上標籤後，系統會顯示通知橫幅，通知您移至 [訓練]。 您可以選擇將更多文件加上標籤，或繼續前往訓練。

使用尋找來搜尋您的檔案

您可以使用尋找功能來搜尋您要加標籤文件中的實體。

搜尋功能在搜尋大型文件或文件中有多個實體實例時非常有用。 如果您發現多個執行個體，則可以在搜尋結果中選取您需要的一項，以移至檢視器中的該位置，以為其加標籤。

新增說明

以我們的例子來說，我們將建立一個說明，提供關於實體格式本身及其在範例文件中可能存在的變化的提示。 例如，一個日期值可以有多種不同格式，例如：

• 10/14/2022
• 2022年10月14日
• 2022年10月14日，星期一

為了幫助辨識 服務開始日期，你可以建立一個模式說明。

1. 在 [說明] 區段中，選取 [新增]，然後輸入名稱 (例如 [日期])。
2. 在 [類型] 中，選取 [模式清單]。
3. 對於值，請提供其在範例檔案中顯示的日期變化。 例如，如果日期格式顯示為 0/00/0000，則輸入出現在文件中的所有變化，例如：
   • 0/0/0000
   • 0/00/0000
   • 00/0/0000
   • 00/00/0000
4. 選取 [儲存]。

使用說明庫

對於像日期這類項目的說明， 使用說明函式庫 比手動輸入所有變體要簡單。 說明文件庫是一組內建的片語和模式說明。 圖書館嘗試提供所有常見短語或模式清單的格式，例如日期、電話號碼、郵遞區號等多種資料。

對於 服務開始日期 範例，使用說明庫中預先建構的 日期 說明會更有效率：

1. 在 [說明] 區段中，選取 [新增]，然後選取 [從說明文件庫]。

2. 從說明文件庫，選取 [日期]。 您可以檢視已辨識的所有日期變化。

3. 選取 [新增]。

   

4. 在 [建立說明] 頁面上，說明文件庫中的 [日期] 資訊會自動填入欄位。 選取 [儲存]。

   

訓練模型

保存你的說明後，訓練就開始了。 如果你的模型有足夠資訊從標註的範例檔案中提取資料，你會看到每個檔案都標註 為 Match。

如果說明中沒有足夠資訊來找到你想提取的資料，每個檔案都會標示 為不匹配。 您可以選擇 不匹配 檔案，查看更多關於不匹配原因的資訊。

新增其他說明

通常這種不符表示我們提供的說明沒有提供足夠資訊，無法提取出服務開始日期與我們標註的檔案相符。 你可能需要編輯，或加入另一個解釋。

在我們的範例中，請注意，文字字串開始服務日期始終位於實際值之前。 若要協助識別服務開始日期，您必須建立片語說明。

1. 在 [說明] 區段中，選取 [新增]，然後輸入名稱 (例如 [前置詞字串])。

2. 在 [類型] 中，選取 [片語清單]。

3. 使用 [服務開始日期] 做為值。

4. 選取 [儲存]。

   

再次訓練模型

儲存說明之後即會再次開始訓練，這次使用範例中的兩個說明。 如果您的模型有足夠的資訊可以從標籤的範例檔案擷取資料，您會看到每個標示為 [相符] 的檔案。

如果您在標籤的檔案上再次收到 [不相符]，您可能需要建立其他說明，以提供模型以取得更多資訊來識別文件類型，或考慮變更現有的文件類型。

測試您的模型

如果您在標籤的範例檔案上收到 [相符]，您現在可以在剩餘未標籤的範例檔案上測試模型。 此步驟為可選，但有助於在使用前評估模型的「適應度」或準備度，透過測試模型未曾見過的檔案。

1. 從模型首頁選擇 「測試 」標籤。這樣就能在你沒有標註的範例檔上執行模型。

2. 如果模型可以擷取所需的資訊，就會在 [測試檔案] 清單中顯示您的範例檔案。 使用這項資訊可協助您判斷分類器識別文件的效能。

   

進一步精煉萃取器

如果你有重複的實體，只想提取一個值或一定數量的值，你可以設定規則來指定你想如何處理它。 若要新增規則以精煉擷取資訊，請依照以下步驟操作：

1. 在模型首頁的 實體擷取器 區塊，選擇你想要精煉的萃取器，然後選擇精 煉提取資訊。

   

2. 在 精煉提取資訊 頁面，選擇以下規則之一：

   • 保留一個或多個前幾段數值
   • 保留一個或多個最後幾個數值
   • 移除重複值
   • 保留一兩行前行
   • 保留最後一句或多句

   

3. 輸入你想使用的行數或數值，然後選擇 精煉。

4. 如果你想透過更改行數或數值來編輯規則，請選擇你想編輯的擷取器，選擇「 精煉擷取資訊」，更改編號，然後選擇 儲存。

5. 當你測試萃取器時，你可以在 Test Files 清單的 Refinement 結果欄看到精煉結果。

   

6. 如果你想刪除某個萃取器上的精煉規則，請選擇你想移除該規則的萃取器，選擇 精煉擷取資訊，然後選擇 刪除。