課題
論文や報告書など、価値のある情報の多くはPDF形式で残されています。PDFは人が読むには便利ですが、コンピュータで扱うには不向きで、必要な情報を取り出すには人が読み込んで書き写すしかありませんでした。
お客様の研究では、PDF文書から必要な情報を自動で抽出するモデルが求められていました。単語を拾うだけでなく、「この数値はどの項目に対応するのか」といった情報同士の関係まで捉える必要があり、そのための学習データがありませんでした。
支援内容
Nextremerは、PDF文書からの情報抽出モデルの開発を、学習データづくりから支援しました。
- PDF文書内の情報を洗い出し、抽出対象となる要素を定義
- 情報同士を結びつけるリレーションのアノテーションを実施
- 整備したデータを使って、情報抽出を行う自然言語処理モデルを開発
関係の付け方は、モデルに何を学ばせたいかで変わります。研究の目的に照らしてアノテーションのルールをお客様と詰め、判断が分かれやすいケースを事前に整理しました。
成果
PDF文書から情報を抽出する自然言語処理モデルを開発し、情報同士の関係まで表現した学習データを整備しました。
人が読み込んで書き写していた作業を自動化する道筋がつき、研究で扱える文書の範囲が広がっています。
