面向企业数字化的文档智能技术与应用-王梦佳-2023(1).pdf

1、DataFunSummit#2023面向企业数字化的文档智能技术与应用演讲人-王梦佳-阿里巴巴-企业智能-高级算法专家01背景介绍02文档智能技术03大模型之下的文档智能04面向企业数字化的文档智能应用目录CONTENTDataFunSummit#202301背景介绍背景介绍分析:理解:阅读:文档解析与结构化多模态预训练统一文档表示版面分析信息抽取文档分类文档比对文档问答文档生成企业级文档合同文书合同文书个人简历个人简历协议文书协议文书政策文档政策文档发票收据发票收据产品文档产品文档文档智能Document AI行业应用企业级应用通用文档智能文档解析表格理解文档树文档纠错知识抽取知识搜索知识问

2、答文档搜索合同要素抽取合同搜索合同审查合同比对文档问答合同起草技术挑战需求场景多&标注数据少合同/协议/表单/文档小样本学习领域自学习for业务定制文档格式多Word/图片/pdf/html统一文档表示内容元素种类多段落/表格/目录/图形多模态识别文档理解预训练DataFunSummit#202302文档智能技术文档智能技术演进文档理解预训练大规模无标注数据多模态大一统文本+布局Layout+图像信息抽取&文档问答文档解析为纯文本，NLP文本任务，序列标注，NER等版面分析&文档图像分类图像任务图像任务，文档图像的物体检测，检测和识别文档中的标题，段落和表格等单一模态大规模标注数据驱动的特定任

3、务设计文本单一模态文本+布局Layout联合文本+布局Layout+图像image预训练任务设计，跨模态对齐下游任务，预训练+微调MLVMMDCText-Image对齐信息抽取文档分类版面分析文档视觉问答文档智能技术ApachePOIOCRXMLParserPDF Parser文本布局表格图像目录公式统一文档表示多模态文档理解行业预训练文档树版面分析信息抽取文档分类文档问答文档解析表格理解文档树文档纠错知识抽取知识搜索文档问答文档搜索合同抽取合同搜索合同审查合同比对文档问答合同起草文档解析文档理解文档分析文档智能技术底层技术文字检测文字识别结构化检测手写检测OCR词法分析句法分析语义分析文本分

4、析NLP文本文本+布局+视觉文本+布局预训练多模态文档解析WordPDFExcelPPTJPGHTMLMarkdown多模态文档理解通用文档理解领域预训练文本预训练StructBERT文本+布局+视觉联合训练LayoutLM法务预训练Legal-BERT合同预训练Contract-BERT文档树文档层级树文档知识块文档理解DI版面分析通用文档合同文书制度文件咨询报告信息抽取实体关系事件文本分类零样本小样本预训练+微调其他文档比对文档问答文档纠错领域自学习上层应用通用能力垂直领域解决方案文档解析文档纠错文档树表格理解合同抽取合同比对合同审查合同起草企业级应用文档问答知识搜索知识抽取知识推荐文档智

5、能技术typestringparagraph：正文，title：标题，image：图片，table：表格textstring文本信息fontSizedouble字体大小fontNamestring字体名称，华文仿宋boldboolean是否加粗tableInfoDTOdict表格结构信息autoNumberingboolean是否自动编号indexint段落索引pageNoint页码alignmentstring对齐，left/center/right/unknownstylestring段落样式indentint段落索引统一文档表示文本信息富文本meta信息（字体，字号，加粗，对齐）逻辑结构

6、信息文档智能技术文档层级树DataFunSummit#202303大模型之下的文档智能行业预训练模型-LegalBert领域数据大模型底座多任务预训练合同管理合同文书协议文书签章档案知识产权专利创新提案商标版权合规管理风险管理项目管理外部渠道争议管理诉讼案件维权竞争管理StructBERTToken-levelSentence-levelMLMWWMNWM领域大模型LegalBert行业应用合同要素抽取合同审查合同起草合规风险检测专利查重查新合同条款抽取合同文本比对合同信息抽取任务合规文本分类任务行业预训练（PreTrain）：法务行业文档密集型，四大领域数据和知识，在通用基础模型基础上构建行