【文本信息抽取与结构化】详聊文本的结构化【上】
常常在想，自然语言处理到底在做的是一件什么样的事情？到目前为止，我所接触到的NLP其实都是在做一件事情，即将自然语言转化为一种计算机能够理解的形式。这一点在知识图谱、信息抽取、文本摘要这些任务中格外明显。不同的任务的差异在于目标的转化形式不一样，因而不同的任务难度、处理方式存在差异。
这个系列文章【文本信息抽取与结构化】，在自然语言处理中是非常有用和有难度的技术，是文本处理与知识提取不可或缺的技术。
本篇介绍如何从非结构的文档中，提取想要的信息，进而结构化文本。
作者&编辑 | 小Dream哥
1 文本结构化的意义
数字化、线上化在21世纪前15年是非常流行的概念，经过多年的发展，大部分企业都进入了无纸化、线上化的办公、生产和销售时代。
例如，我们大家熟悉的求职过程，很可能就是一个全程无纸化线上化的过程。过程可能如下所示：
1.你在某招聘网站填写线上简历；
2.某公司HR在线上看到你的简历，匹配到其公司的某个职位，打电话问你是否感兴趣；
3.你觉得职位、公司都挺满意，欣然答应，并约好了面试时间。细心的你最后还询问HR是否需要带纸质简历，HR告诉你不需要，简历已经在线发给了面试官。面试过程，面试官在该公司的面试系统记录了你的面试表现，表示你通过了该公司的面试。
4.随后，你收到了该公司的邮件，邮件不仅通知你通过了该公司的考核，发给你offer。邮件里还附带一个二维码，告诉你下载这个APP，后续的报道流程，都通过这个APP进行。
5.你非常开心的下载并打开这个APP，APP让你填了基础的信息，并请你提供二甲以上的医院的入职体检证明。
6.你的体检证明通过了该公司的审核，你们在线上签订了劳动合同，并确定了入职日期。
这是一个完全线上化和无纸化的过程，我们可以想一下，这各过程的这些步骤，哪些部分是最繁琐，也是目前最可能应用AI技术替代人处理的。在我看来，至少有加粗的两个部分是可以用AI技术来减轻HR工作的。以“匹配到其公司的某个职位”也就是筛选简历为例，我听过很多猎头和HR对海量筛选简历之抱怨。不过，用目前的NLP技术是完全可以实现大部分的简历分析和匹配的。因为不同候选人的简历格式不一，简历的分析和匹配势必就会涉及简历的结构化，以提取候选人的姓名、技能、学历以及工作经验等重要信息。
我们细想一下，其实人工处理大量文本的场景是很常见的。例如，大公司的签报流程处理人员和财务审计人员，招投标公司的标书筛选过程等等。随着线上化的普及，这些场景给了NLP技术展现其能力的大好时机，通过文本的结构化相关的技术，从线上化文本中，提取相应场景中感兴趣的信息，能够极大的减少人工的工作量，提高效率。
总的来说，文本的结构化通过快速实现文本的理解和信息提取，大量的减少人工负荷。在线上化、无纸化流程作业的今天，具有很广泛的应用空间。
2 文本如何结构化
文本的结构化是一个相当复杂的工程问题，通常情况下，办公或者生产过程中出现的文本为word、PDF等有一定段落结构和篇幅的文档。按照现在的NLP技术，端到端的实现文本的结构化，是不太可能的事情。
基于此，面对一个复杂的问题，通常需要步步分解，将一个大的看上去很艰难问题，分解成一些小的容易处理的问题。那我们来看看，笔者认为，通过哪些步骤能够完成这样一个任务。
2.1 定义需求
我这里提到的文本结构化，通常是基于某一个场景的某一些需求，例如，求职招聘场景中的简历筛选与匹配需求。所以，要对文本结构化，首先需要了解的是，要从源文本中获取哪些信息？也就是定义需求。通过需求定义，我们给问题划了一个范围，明确了目标。
例如，在求职招聘场景中，面对形形色色的候选人简历，HR感兴趣的是候选人的如下信息：
姓名：周公举
出生年月：1983年5月
毕业学校：中央音乐学院
学历：本科
专业：流行音乐
技能：演唱，作曲，导演
工作经验：曾发行数张音乐唱片，创作N首原创歌曲；参演5部电影，自导自演2部。
其实结构化简历，还有一个场景需要，就是目前很多招聘网站的收费服务：简历优化。将简历结构化的信息抽取之后，后续的简历筛选，简历优化以及岗位匹配运用NLP技术或者甚至一些简单的判断就能有不错的效果了。
这个过程，通常是跟业务强相关的，可以由业务专家、产品经理主导，算法工程师配合完成。
2.2 文本的预处理
前面提到，通常情况下，办公或者生产过程中出现的文本为word、PDF等有一定段落结构和篇幅的文档。要用算法处理这些原始文档，通常会面临这些问题：
1.NLP模型无法直接处理PDF等类图像格式的文档；
2.文档有可能篇幅很长，不可能直接将文本内容输入模型进行处理；
3.比较难获取文档中的文档结构信息、篇章层次信息、字体格式信息等。
对于第一个问题，通常需要PDFReader，将类图像格式的文档转化为文本文档；对于第二个问题，通常会将文档进行分段落处理，舍弃无意义的段落，截取感兴趣的段落；对于第三个问题，是最复杂的问题，这往往已经不是单纯的自然语言处理的问题，通常需要结合计算机图像处理的技术以及OCR技术，才能比较好的解决第三个问题。
文本的预处理过程，是一个复杂且重要的步骤，预处理的效果直接影响后续信息抽取模型的效果。
通常，预处理步骤的输出应该是如下形式的json文件：
{
{
“基本信息”：“
姓名：***
出生年月：1***
”
}，
{
“个人介绍”：“擅长C，python，java等编程语言，熟悉NLP算法。。。”
}，
{
“教育经历”：{
“本科”：“华中科技大学”，
“硕士”：“中国科学院”
}
}
}
通过输出这种层次丰富、信息准确的JSON数据，后面的NLP信息抽取模型，就能够大展身手了。