跳到主要内容

项目：信息抽取【选修】

本节定位

信息抽取项目非常适合做作品集，因为它天然体现：

  • 文本理解
  • 结构化输出
  • 规则与模型结合

而且业务价值也很直观：

  • 从自然语言里提取结构化字段

这节课会把一个最小项目骨架走出来。

学习目标​

  • 学会给信息抽取项目定清楚字段边界
  • 学会把文本解析结果组织成结构化输出
  • 学会先做规则基线，再考虑更强模型
  • 通过可运行示例建立一个最小项目闭环

一、项目问题先要定得足够窄​

1.1 场景​

我们做一个最小公告信息抽取项目。
输入是一段公告文本，输出字段包括：

  • 时间
  • 地点
  • 人物
  • 事件

1.2 为什么这种项目适合练手？​

因为它的价值很清楚：

  • 把自然语言变成结构化数据

同时它还能自然承接前面学过的：

  • 序列标注
  • 规则抽取
  • 结构化输出

1.3 先别一上来做太多字段​

最稳妥的做法通常是：

  • 先做 3~4 个最重要字段

而不是试图一次把所有信息都抽全。

二、先跑一个最小规则基线​

这个例子会用非常简单的规则抽取：

  • 年月日
  • 城市
  • 人名模式
  • 事件文本

它不追求完美，
但能让你先把完整项目结构跑通。

import re

text = "2025年6月1日，张三在北京发布了新课程计划。"


def extract_info(text):
    result = {
        "date": None,
        "person": None,
        "location": None,
        "event": None,
    }

    date_match = re.search(r"\\d{4}年\\d{1,2}月\\d{1,2}日", text)
    if date_match:
        result["date"] = date_match.group()

    for city in ["北京", "上海", "广州", "深圳"]:
        if city in text:
            result["location"] = city
            break

    person_match = re.search(r"[\\u4e00-\\u9fa5]{2,3}", text)
    if person_match:
        result["person"] = person_match.group()

    if "发布" in text:
        result["event"] = "发布课程计划"

    return result


print(extract_info(text))

2.1 这个示例为什么值得先做？​

因为它已经包含了：

  • 输入文本
  • 字段定义
  • 结构化输出

这三件事清楚后，项目骨架就出来了。

2.2 为什么要先做规则基线？​

因为这样你能更快回答：

  • 哪些字段其实很容易抽
  • 哪些字段最难
  • 复杂模型到底应该补哪一块

三、从规则基线到模型抽取，通常怎么走？​

3.1 规则适合处理稳定模式​

例如：

  • 日期
  • 固定格式编号

3.2 模型更适合处理灵活表达​

例如：

  • 人名
  • 事件短语
  • 边界模糊实体

3.3 所以真实项目往往是混合式​

最常见的组合不是：

  • 全规则
  • 或全模型

而是：

  • 规则 + NER / 分类 + 后处理

四、一个最小项目展示应该包含什么？​

4.1 字段定义​

明确告诉别人：

  • 你抽哪些字段
  • 不抽哪些字段

4.2 基线方法​

哪怕只是规则，也要讲清：

  • 基线怎么做
  • 为什么先这样做

4.3 样例与错误分析​

至少准备：

  • 几条成功样例
  • 几条失败样例
  • 你对失败原因的解释

4.4 下一步升级方向​

例如：

  • 用 NER 模型替换规则部分
  • 加实体消歧
  • 增加文档级聚合

五、最容易踩的坑​

5.1 误区一：字段定义太多​

字段一多，项目容易失控。

5.2 误区二：一开始就上复杂模型​

没有基线时，很难判断复杂模型到底补了什么。

5.3 误区三：只看抽取结果，不看结构化输出质量​

真实业务很在意：

  • 字段是否为空
  • 类型是否一致
  • 结构是否稳定

小结​

这节最重要的是建立一个信息抽取项目习惯：

先把字段、规则基线和结构化输出做清楚，再决定哪些部分需要用更强模型补上。

这样你做出来的项目会更像真正可交付的信息抽取系统，而不是只会跑一段 demo。

练习​

  1. 给示例再增加一个字段，例如 organization，尝试补规则。
  2. 想一想：哪些字段适合用规则先做，哪些更适合交给模型？
  3. 如果规则基线已经能很好抽日期，但人名总不稳，你下一步最该补哪一部分？
  4. 用自己的话解释：为什么信息抽取项目特别适合“规则 + 模型”混合路线？