در دنیای پرشتاب امروز، حجم عظیمی از اطلاعات به صورت اسناد مختلف تولید و مبادله می‌شود. استخراج اطلاعات کلیدی از این اسناد، فرآیندی حیاتی برای سازمان‌ها و کسب‌وکارها به شمار می‌رود، زیرا امکان تصمیم‌گیری‌های سریع‌تر و دقیق‌تر، خودکارسازی فرآیندها و کاهش هزینه‌ها را فراهم می‌آورد. مقاله‌ای که در اینجا به آن می‌پردازیم، به بررسی روش‌ها و مدل‌های موجود برای استخراج اطلاعات کلیدی از اسناد نیمه‌ساختاریافته، به ویژه اسنادی مانند فاکتورها، می‌پردازد و یک رویکرد نوآورانه برای ارزیابی و بهبود این مدل‌ها ارائه می‌دهد.

این مقاله توسط Oliver Bensch، Mirela Popa و Constantin Spille به رشته تحریر درآمده است. نویسندگان در زمینه پردازش زبان طبیعی (NLP) و بینایی ماشین تخصص دارند و هدف آنها ارائه راهکارهایی مؤثر برای استخراج اطلاعات از اسناد با بهره‌گیری از این دو حوزه تخصصی است. زمینه تحقیق این مقاله، حوزه محاسبات و زبان طبقه‌بندی شده است که نشان‌دهنده تمرکز بر استفاده از روش‌های محاسباتی برای درک و پردازش زبان انسانی است.

چکیده مقاله بر این نکته تاکید دارد که استخراج اطلاعات از اسناد معمولاً بر روش‌های پردازش زبان طبیعی متکی است که روی توالی‌های یک‌بعدی متن کار می‌کنند. با این حال، در برخی موارد، مانند استخراج اطلاعات کلیدی از اسناد نیمه‌ساختاریافته، اطلاعات فضایی و قالب‌بندی متن برای درک معنای متنی بسیار مهم هستند. شبکه‌های عصبی کانولوشنال (Convolutional Neural Networks) در حال حاضر در مدل‌های بینایی ماشین برای پردازش و استخراج روابط در داده‌های چندبعدی رایج هستند. بنابراین، مدل‌های پردازش زبان طبیعی در گذشته با مدل‌های بینایی ماشین ترکیب شده‌اند تا از اطلاعات موقعیتی بهره‌مند شوند و عملکرد این مدل‌های استخراج اطلاعات کلیدی را بهبود بخشند. مدل‌های موجود یا بر روی مجموعه‌داده‌های منتشرنشده یا بر روی مجموعه‌ای حاشیه‌نویسی‌شده از رسیدها آموزش داده شده‌اند که بر روی اسناد مشابه PDF متمرکز نبوده‌اند. از این رو، در این پروژه تحقیقاتی، یک مولد اسناد مبتنی بر الگو ایجاد شده است تا مدل‌های روزآمد را برای استخراج اطلاعات مقایسه کند. یک مدل استخراج اطلاعات موجود به نام “Chargrid” (Katti et al., 2019) بازسازی شده و تأثیر یک رمزگشای رگرسیون کادر محدودکننده، و همچنین تأثیر یک مرحله پیش‌پردازش NLP برای استخراج اطلاعات از اسناد ارزیابی شده است. نتایج نشان داده است که پیش‌پردازش مبتنی بر NLP برای عملکرد مدل مفید است. با این حال، استفاده از یک رمزگشای رگرسیون کادر محدودکننده، عملکرد مدل را تنها برای فیلدهایی که شکل مستطیلی ندارند افزایش می‌دهد.

به طور خلاصه، این مقاله یک رویکرد جامع برای استخراج اطلاعات کلیدی از اسناد نیمه‌ساختاریافته ارائه می‌دهد که شامل ایجاد یک مجموعه داده مصنوعی برای آموزش و ارزیابی مدل‌ها، بازسازی و بهبود یک مدل موجود به نام Chargrid و بررسی تأثیر تکنیک‌های مختلف پیش‌پردازش و رمزگشایی است.

روش‌شناسی تحقیق این مقاله شامل چندین مرحله کلیدی است:

• ایجاد مجموعه داده مصنوعی: یکی از چالش‌های اصلی در زمینه استخراج اطلاعات، کمبود مجموعه‌داده‌های برچسب‌گذاری‌شده و در دسترس عموم است. برای رفع این مشکل، نویسندگان یک مولد اسناد مبتنی بر الگو ایجاد کرده‌اند. این مولد، اسنادی شبیه به فاکتورها را با استفاده از الگوهای از پیش تعریف‌شده تولید می‌کند. با این کار، یک مجموعه داده بزرگ و متنوع برای آموزش و ارزیابی مدل‌ها فراهم می‌شود. مثال: فرض کنید میخواهیم یک مجموعه داده از فاکتورها بسازیم. میتوانیم الگوهایی برای نحوه نمایش نام فروشنده، آدرس، تاریخ، لیست اقلام و قیمت نهایی تعریف کنیم. مولد اسناد، با استفاده از این الگوها، تعداد زیادی فاکتور با اطلاعات مختلف تولید می‌کند.
• بازسازی و بهبود مدل Chargrid: مدل Chargrid یک مدل شناخته‌شده برای استخراج اطلاعات از اسناد تصویری است. نویسندگان این مقاله، این مدل را بازسازی کرده و دو بهبود کلیدی را به آن اضافه کرده‌اند:
  • رمزگشای رگرسیون کادر محدودکننده (Bounding Box Regression Decoder): این بهبود به مدل اجازه می‌دهد تا موقعیت دقیق اطلاعات استخراج‌شده را در سند مشخص کند. به جای اینکه فقط مشخص کند که یک کلمه یا عبارت خاص مربوط به چه فیلدی است، مدل می‌تواند مختصات دقیق کادر دور آن کلمه یا عبارت را نیز مشخص کند.
  • پیش‌پردازش پردازش زبان طبیعی (NLP Pre-processing): این مرحله شامل استفاده از تکنیک‌های NLP مانند توکن‌سازی، ریشه‌یابی و حذف کلمات پرت برای تمیز کردن و آماده‌سازی متن قبل از ورود به مدل است. مثال: عبارت “قیمت نهایی: 1,200,000 تومان” را در نظر بگیرید. پیش‌پردازش NLP می‌تواند این عبارت را به “قیمت”، “نهایی”، “1200000”، “تومان” تبدیل کند و کلمات پرت مانند “نهایی” را حذف کند.
• ارزیابی مدل‌ها: نویسندگان مدل‌های مختلف (مدل پایه Chargrid، مدل بهبودیافته با رمزگشای رگرسیون کادر محدودکننده و مدل بهبودیافته با پیش‌پردازش NLP) را بر روی مجموعه داده مصنوعی خود ارزیابی کرده‌اند. آنها از معیارهای مختلفی مانند دقت، فراخوانی و F1-score برای مقایسه عملکرد مدل‌ها استفاده کرده‌اند.

نتایج این تحقیق نشان داد که:

• پیش‌پردازش NLP برای بهبود عملکرد مدل مفید است: با استفاده از تکنیک‌های NLP برای تمیز کردن و آماده‌سازی متن، مدل می‌تواند اطلاعات را با دقت بیشتری استخراج کند. این نشان می‌دهد که درک و پردازش زبان انسانی می‌تواند به بهبود عملکرد مدل‌های استخراج اطلاعات کمک کند.
• استفاده از رمزگشای رگرسیون کادر محدودکننده، عملکرد مدل را تنها برای فیلدهایی که شکل مستطیلی ندارند افزایش می‌دهد: این یافته نشان می‌دهد که رگرسیون کادر محدودکننده برای استخراج اطلاعاتی که موقعیت مکانی آنها در سند ثابت نیست، مفیدتر است. به عنوان مثال، اگر نام شرکت در یک فاکتور همیشه در یک موقعیت خاص قرار نداشته باشد، استفاده از رگرسیون کادر محدودکننده می‌تواند به مدل کمک کند تا آن را پیدا کند.
• مدل Chargrid بازسازی‌شده، عملکرد قابل قبولی در استخراج اطلاعات از اسناد دارد: این نشان می‌دهد که Chargrid یک مدل قوی برای استخراج اطلاعات است و می‌تواند به عنوان پایه برای توسعه مدل‌های پیشرفته‌تر مورد استفاده قرار گیرد.

این تحقیق دارای کاربردهای عملی متعددی است:

• خودکارسازی فرآیندهای پردازش اسناد: با استفاده از مدل‌های استخراج اطلاعات، سازمان‌ها می‌توانند فرآیندهای مربوط به پردازش اسناد، مانند ورود داده‌ها، تأیید فاکتورها و پردازش سفارش‌ها را خودکار کنند. این امر می‌تواند منجر به افزایش بهره‌وری، کاهش هزینه‌ها و کاهش خطاهای انسانی شود. مثال: یک شرکت می‌تواند از این مدل‌ها برای استخراج خودکار اطلاعات از فاکتورهای دریافتی و ورود آنها به سیستم حسابداری خود استفاده کند.
• بهبود کیفیت داده‌ها: با استخراج دقیق و کامل اطلاعات از اسناد، سازمان‌ها می‌توانند کیفیت داده‌های خود را بهبود بخشند. این امر می‌تواند منجر به تصمیم‌گیری‌های بهتر و دقیق‌تر شود.
• ایجاد مجموعه‌داده‌های آموزشی: مولد اسناد مبتنی بر الگو که در این تحقیق توسعه یافته است، می‌تواند برای ایجاد مجموعه‌داده‌های آموزشی برای سایر مدل‌های استخراج اطلاعات مورد استفاده قرار گیرد. این امر می‌تواند به توسعه مدل‌های پیشرفته‌تر و دقیق‌تر کمک کند.

این مقاله یک گام مهم در جهت توسعه روش‌های مؤثرتر و کارآمدتر برای استخراج اطلاعات کلیدی از اسناد نیمه‌ساختاریافته است. نویسندگان با ایجاد یک مجموعه داده مصنوعی، بازسازی و بهبود یک مدل موجود و بررسی تأثیر تکنیک‌های مختلف، به درک بهتری از چالش‌ها و فرصت‌های موجود در این زمینه دست یافته‌اند. نتایج این تحقیق می‌تواند به سازمان‌ها کمک کند تا فرآیندهای پردازش اسناد خود را خودکار کرده، کیفیت داده‌های خود را بهبود بخشند و تصمیم‌گیری‌های بهتری اتخاذ کنند. تحقیقات آتی می‌توانند بر توسعه مدل‌های پیشرفته‌تر با قابلیت درک بهتر محتوای اسناد و انطباق‌پذیری بیشتر با انواع مختلف اسناد تمرکز کنند.