构建

本部分会介绍以下体验：

• 上传文档并自动对其进行分类。
• 直接将文档上传到文档类型中。
• Manage files from the project (add, remove files and add, change tags).
• 标注文档。
• 添加或删除字段。
• 获得有关使用建议训练分类和提取模型的指导性体验。

标注文档

After successfully creating your project and uploading your documents to a specific document type, they are automatically pre-annotated. This is done using a combination of generative and specialized models, based on the document type's schema. The schema clearly defines the fields you want to extract from a particular document type. To find the document type's schema, go to the Annotation page and check the Fields section.

有关如何注释文档的详细信息，请查看注释文档操作方法页面。

待审核的异常

您可以使用在验证站点中验证的文档，进一步提高模型的性能。

如果在验证步骤后作出任何更改，受影响文档类型会显示“待审核异常”按钮。

图 1. “待审核的异常”按钮

有关如何重新训练模型的更多深入信息，请查看“重新训练提取程序”指南页面。

为文档添加标签

上传文档后，您可以为其添加标签。

您可以为每个文档添加一个最多包含 100 个字符的标签。

要向文档添加标签，请选择要添加标签的文档，然后在文档类型列表上方的菜单中选择“标签”按钮。

如果使用标签进行筛选，您可以更轻松地搜索文档。训练模型时，您还可以在高级配置文件中根据标签查看结果。

文档类型管理

您可以在“文档类型管理器”中编辑多个字段的设置。

为此，请选择要编辑的文档类型旁边的三点图标 ⋮，然后从菜单中选择“文档类型管理器”。

图 2. 选择文档类型管理器

提取字段

编辑或添加新字段

要添加新字段，请选择“添加字段”并填写所需信息。您可以为每个字段添加或编辑以下选项：

• 字段名称：字段的唯一名称。
• 内容类型：字段的内容类型：
  • 字符串：用于公司名称或地址，以及付款条款，或者当您想要在 RPA 工作流中的其他字段中手动构建解析逻辑或格式设置逻辑时，用于这些字段。
  • 数字：用于金额或数量，具有小数/千位分隔符的智能解析功能。
  • 日期：使用 YYYY-MM-DD 格式解析、格式化和统一输出。
  • 电话：用于电话号码。设置格式会删除字母和括号，并将空格替换为短划线。
  • ID 号：用于字母数字代码和 ID 号。它类似于字符串内容类型，但会删除 : 字符之前的所有字符。如果要提取的 ID 号可能包含 : 字符，请改用 string 内容类型，以避免数据丢失。
• 快捷键：字段的快捷键。允许使用一个键或两个键的组合。
• 高级设置：可用选项因所选字段的内容类型而异。选择所需字段的“高级设置”按钮以进行编辑：
  图 3. 文档类型高级设置
  

  

  
  
  • 字段 ID：字段的唯一 ID。
  • 后处理：
    • first_span：如果模型预测了文档内某一字段的多个实例，则让模型返回第一个实例。
    • longest_value：如果模型预测了文档内某一字段的多个实例，则让模型返回字符数最多的值。
    • highest_confidence：如果模型预测了文档内某一字段的多个实例，则让模型返回具有最高置信度的值。
    评分：运行模型预测评估时用于确定准确度的度量，仅适用于内容类型为“字符串”的字段：
    • exact_match：只有当预测与真实值完全匹配时，预测才会被视为正确（分数为 1）。如果预测与真实值有差别，即使只是一个字符的不同，预测也会被视为不正确（分数为 0）。这是所有字段（“字符串”字段除外）的默认设置。
    • levenshtein：根据预测与真实值之间的 Levenshtein 距离，预测被视为部分正确。示例：如果系统除最后 2 个字母之外正确预测了 10 个字母组成的值，则此预测的分数为 0.8。
  • 日期格式：此字段仅适用于内容类型为“日期”的字段，并且指示如何解析和返回不明确的日期：
    • 自动
    • 美式：YYYY-DD-MM
    • 非美式：YYYY-MM-DD
  • Multi-line：跨越多个文本行的字段（地址或说明）需要检查此项目，否则系统将只返回第一行。
  • Multi-value：字段将返回一个列表，其中包含在文档中检测到的所有值。

您也可以从此视图中对字段重新排序。

如果您在重新触发训练之前发布新的项目版本，则文档类型设置中的更改不会反映在新的项目版本中。

解决方法：为避免这种情况，请在修改文档类型字段后重新训练文档类型。在发布新版本之前，您可以通过标记或确认该类型的其他文档来完成此操作。

搜索字段名称

您可以搜索可用的字段名称。为此，请使用“文档类型管理器”界面左上角的搜索栏。为了更高效地搜索，请使用“筛选”功能按“内容类型”进行筛选。

图 4. 搜索字段名称

删除字段

选择你要删除的字段旁的“删除”按钮。

图 5. 删除字段

你还可以选择多个（或所有）字段并一并删除。要执行此操作，请勾选您要删除的字段旁边的复选标记，然后选择“删除”。

图 6.一次删除多个字段

分类字段

分类字段是引用整个文档的数据点。例如，收据的费用类型（食品、酒店、航空或交通）或发票的币种（美元、欧元、日元）是分类字段。

备注：

以下限制目前适用于“分类”字段功能：

• 使用“提取文档数据”活动时，分类字段支持新式项目提取程序和开箱即用的模型，但不支持传统项目提取程序。
• 只有训练成功后，才会为自定义文档类型提取分类字段。

编辑或添加分类字段

要添加新的分类字段，请选择“添加字段”，然后键入新字段的名称。

您也可以从此视图中对字段重新排序。

图 7. 添加新的分类字段

要查看分类字段 ID，请选择所需分类字段旁边的高级设置。

图 8. 分类字段高级设置

编辑或添加类

要为分类字段添加新类，请选择“添加类”，然后键入类名称和可选描述。

注意：每个分类字段必须至少包含两个类。

图 9. 添加新类

您可以编辑每个类的名称和描述。

您还可以从此视图重新排序类。

要移除类，请选择您要移除的类旁边的“删除”。

图 10. 删除类

设置

您可以在设置选项卡中更改文档类型设置。

图 11. 模型设置

您可以更改以下设置：

• 基本模型：“建议操作”中使用的数据集大小估计值取决于用于训练的基本模型。使用与您的文档类型最相似的基本模型将减少所需的注释工作量。
• 语言数量：“建议操作”中使用的数据集大小估计值取决于数据集中语言的数量。通常情况下，语言越多，需要添加注释的数据就越多。

搜索文档

您可以按文档名称搜索上传的文档。为此，请使用“构建”部分左侧的搜索栏。为了更有效地搜索，请使用“筛选”功能，按以下条件筛选：

• 文档类型：从下拉列表中选择所需的文档类型。
• 上传日期：选择上传文档的日期间隔。
• 状态：选择文档的状态。
• 标签：选择要筛选的标签。

图 12. 筛选文档

项目和模型分数

您可以从右上角查看项目的总体分数。此分数是所有文档类型的分类器分数和提取程序分数的影响因素。选择“项目分数”以显示“衡量指标”部分。您可以在该部分中查看更深入的性能衡量指标。

您可以在“文档类型”部分单独查看每种文档类型的分数。此分数会影响模型的整体性能以及数据集的大小和质量。

注意：要获取项目分数，您需要上传至少 10 个文档。对于文档类型分数，您至少在同一文档类型下有 10 个文档。

如果选择分数标签，则可以查看模型的模型评分。模型评分是一项功能，旨在帮助您为分类模型的性能实现可视化。具体表现形式为 0 到 100 之间的模型分数，如下所示：

• 差 (0-49)
• 一般 (50-69)
• 良好 (70-89)
• 非常好 (90-100)

选择“详细模型分数”以转到“衡量指标”部分以获取详细信息。