Google發展可自動從各類單據擷取結構化資料的神經網路

Google解釋了雲端服務Document AI，用來解析發票的技術，這項技術發表於電腦語言學會年會ACL 2020中，Google提出一種可從各式單據擷取結構化資料的方法，而這與之前從純文字檔文件擷取資料的方法不同，新方法將單據可能出現的欄位類型納入考量，因此能良好地擷取單據上的內容。

企業有不少工作流程需要處理收據、帳單以及報價單等單據，目前仍有不少企業仰賴人工操作，Google以發票為例提到，發票樣式很多種，不同企業甚是企業不同部門所開出的發票，各自布局都略有不同，但發票包含的結構化資訊，諸如發票編號、日期和金額等又大致相同，而自動化可以解決人工處理容易發生錯誤的缺點，且可大幅提高工作流程的效率。

之所以處理單據文件很困難，Google解釋，因為擷取單據資訊，除了需要運用自然語言處理技術之外，還跨了電腦視覺領域，跟典型的自然語言處理任務不同，單據中不會有句子和段落這類自然語言形式存在，單據資料通常是以表格的形式呈現，通常具有多頁面和多段落的特性，並以各種布局和格式組織資訊。要處理這類資料，Google提到，關鍵是需要理解二維文字布局，但又不能以純粹的影像分割方式處理，否則又難以運用文字語意的資訊。

Google的新方法讓開發者可以使用兩種輸入來訓練擷取系統，分別是目標結構（Schema）以及帶有標籤的文件集，目標結構是指需要擷取的欄位列表和其類型，支援的欄位類型包括日期、整數、字母數字組合、金額、電話號碼和URL。

輸入的文件要先經過OCR服務，擷取文字和布局資訊，接著以候選生成器，辨識文字範圍可能對應的欄位，候選生成器會使用預先建立的欄位類型庫，關聯像是日期、號碼和電話號碼等資訊，並使用神經網路Scorer來估算擷取項目的分數，在預設情況下，目標欄位就是獲得最高分的候選者，例如日期資訊就擷取單據上獲得Scorer評分最高分的項目，不過，在特定情況，也會考量順序等因素。

Scorer是一個二元分類器，將目標欄位和候選項目作為輸入，產生0到1之間的分數，Scorer會學習在向量空間表示每個目標欄位以及候選項目的方法，當目標欄位在向量空間和候選項目越相近，則候選項目為目標欄位的機率越大。

為了實驗方法的可靠性，Google使用了具多種布局的發票資料集，證明該模型可對大多數欄位運作良好，不過偵測寄送日期（delivery_date）的準確度表現較差，Google提到，原因是他們訓練集中，只有一小部分的資料存在這個欄位，因此需要更多的訓練資料來改進該欄位準確度。