如何用AI做信息抽取-实战案例-飞书

先来说一个大家每天都会遇到的情景：打开手机、电脑，无论是刷社交媒体还是看新闻，海量的文字、图片、音频扑面而来。这些内容背后藏着太多有价值的信息，可问题在于——怎么把这些零散、非结构化的“数据矿”，变成可以被直接利用的结构化知识？这就引出了信息抽取（Information Extraction, IE）这门技术。说白了，信息抽取就是自然语言处理（NLP）里的核心活儿，也是把文本里的“干货”搬到实际应用中的关键一步。

信息抽取的目标很明确：从那些没有固定格式的文本里，识别并提取出特定类型的信息。具体来说，它主要涵盖以下几项任务：
1. 命名实体识别（NER）：找出文本中的人名、地点、组织、时间等实体。
2. 关系抽取（RE）：搞清楚实体之间的关联，比如“A是B的父亲”。
3. 事件抽取（EE）：发现文本中发生的事件，以及它和实体之间的关联。

这些听上去挺抽象，但一旦结合具体案例，你就会发现它其实离日常办公很近。

（智谱清言 https://chatglm.cn/share/FqlM8）

第一个任务很简单——单次提取信息。写提示词时，可以采用“具体任务 + one-shot（参考示例）”的方式。但如果要处理大批量数据呢？当然，你也可以把所有任务一次性塞进大模型的提示词里，比如智谱清言目前的最大输入限制能到2万字符，应付不少场景是够的。不过，这次我们提供一个更聪明的方案：用飞书的多维表格来搞定。

飞书多维表格里有一个叫“字段捷径”的功能，比如上图中那个“解析结果-V1”字段。只要用内置的信息提取字段捷径，就能实现批量信息提取，省时省力。

当然，这里可能遇到两个坑。一是提取要素不够准确，比如任务1里，同样一个“抗渗等级”，第一次被解析成“耐久性等级”，第二次又变回了“抗渗等级”；再比如“商品混凝土”，要求解析成“供应方式：预拌”，结果可能不符合实际业务需求。二是任务2中，解析出来的属性与属性值跟实际业务对不上。那么，该怎么改进呢？来看看任务3的做法。

这个案例聚焦在提取“普通混凝土”这类材料的信息上，需要提取的属性包括：品类、强度等级、抗渗等级、外加剂类型、是否泵送，一共五个字段。

以下是调整后的提示词：

##提取信息 "品类" "强度等级" "抗渗等级" "外加剂类型" "是否泵送" ##输入参考示例 从“混凝土 混凝土强度等级：C10混凝土类型：混凝土外加剂：无材质：现浇混凝土C20” 提取"品类""强度等级""抗渗等级""外加剂类型""是否泵送" 输出： "品类：普通混凝土 强度等级:C10 抗渗等级:null 外加剂类型:null 是否泵送:null" ##自定义提取要求 ##输出格式 品类：xx 强度等级:xx 抗渗等级:xx 外加剂类型:xx 是否泵送:xx ##以下为材料描述中部分关键词的同义词说明 抗渗等级，S=P=W,实例：S4=P4 外加剂类型，膨胀剂=膨胀=膨胀型 是否泵送，非泵送=自卸=自卸车=斗车 ##限制 1、必须按照输出格式要求输出 2、每类提取的信息的要素值只能从属性对于的属性值列表中查找： 品类的属性值包含“普通混凝土”、“特种混凝土”、“防冻混凝土” 强度等级的属性值包含“C7.5”、“C10”、“C15”、“C20”、“C25”、“C30”、“C35”、“C40”、“C45”、“C50”、“C55”、“C60”、“C70”、“C80”、“C85”、“C90”、“C95”、“C100”、“C130” 抗渗等级的属性只包含"P4"、"P6"、"P8"、"P10"、"P12"、"P14"、"P16" 外加剂类型的属性值包含"微膨胀"、"膨胀"、"防冻"、"早强"、"缓凝"、"减水"、"抗渗"、"增塑" 是否泵送的属性值包含“泵送”、“非泵送” 3、没要相应属性值的，输出：null 比如是否泵送,信息提取时没有对应属性与属性值，则输出,是否泵送：null

实际跑了100条数据进行验证，判断后准确率达到了100%。这就是正、负case和自定义规则的价值所在。

当然，信息抽取的应用远不止建材领域。看看这些场景：

• 在医疗领域，它能从临床文档中抽取病人的关键信息，辅助医生做出更精准的诊断。

• 在金融领域，通过抽取新闻或社交媒体的关键信息，模型能更准确地预测股价走向。

• 在法律领域，它帮律师从海量文档中找出核心证据，无论是构建还是反驳案件，效率都大幅提升。

说到底，信息抽取的价值，就是帮我们从“数据多”变成“数据值”。