Google发展可自动从各类单据撷取结构化资料的神经网络

Google解释了云端服务Document AI，用来解析发票的技术，这项技术发表于自然语言处理期刊ACL 2020中，Google提出一种可从各式单据撷取结构化资料的方法，而这与之前从纯文字档文件撷取资料的方法不同，新方法将单据可能出现的字段类型纳入考量，因此能良好地撷取单据上的内容。

企业有不少工作流程需要处理收据、账单以及报价单等单据，目前仍有不少企业仰赖人工操作，Google以发票为例提到，发票样式很多种，不同企业甚是企业不同部门所开出的发票，各自布局都略有不同，但发票包含的结构化资讯，诸如发票编号、日期和金额等又大致相同，而自动化可以解决人工处理容易发生错误的缺点，且可大幅提高工作流程的效率。

之所以处理单据文件很困难，Google解释，因为撷取单据资讯，除了需要运用自然语言处理技术之外，还跨了电脑视觉领域，跟典型的自然语言处理任务不同，单据中不会有句子和段落这类自然语言形式存在，单据资料通常是以表格的形式呈现，通常具有多页面和多段落的特性，并以各种布局和格式组织资讯。要处理这类资料，Google提到，关键是需要理解二维文字布局，但又不能以纯粹的影像分割方式处理，否则又难以运用文字语意的资讯。

Google的新方法让开发者可以使用两种输入来训练撷取系统，分别是目标结构（Schema）以及带有标签的文件集，目标结构是指需要撷取的字段列表和其类型，支援的字段类型包括日期、整数、字母数字组合、金额、电话号码和URL。

输入的文件要先经过OCR服务，撷取文字和布局资讯，接着以候选生成器，辨识文字范围可能对应的字段，候选生成器会使用预先建立的字段类型库，关联像是日期、号码和电话号码等资讯，并使用神经网络Scorer来估算撷取项目的分数，在预设情况下，目标字段就是获得最高分的候选者，例如日期资讯就撷取单据上获得Scorer评分最高分的项目，不过，在特定情况，也会考量顺序等因素。

Scorer是一个二元分类器，将目标字段和候选项目作为输入，产生0到1之间的分数，Scorer会学习在向量空间表示每个目标字段以及候选项目的方法，当目标字段在向量空间和候选项目越相近，则候选项目为目标字段的概率越大。

为了实验方法的可靠性，Google使用了具多种布局的发票资料集，证明该模型可对大多数字段运作良好，不过侦测寄送日期（delivery_date）的准确度表现较差，Google提到，原因是他们训练集中，只有一小部分的资料存在这个字段，因此需要更多的训练资料来改进该字段准确度。