引言
随着互联网和社交媒体的飞速发展，我们每天都会接触到大量的非结构化数据，如文本、图片和音频等。这些数据中包含了丰富的信息，但也提出了一个重要问题：如何从这些海量数据中提取有用的信息和知识？这就是信息抽取（Information Extraction, IE）的任务。信息抽取不仅是自然语言处理（NLP）的一个核心组成部分，也是许多实际应用的关键技术。
信息抽取概述
信息抽取（IE）旨在从未结构化或半结构化的文本中识别和提取特定类型的信息。信息抽取的主要任务包括：
1. 命名实体识别(NER) : 识别文本中的命名实体，如人名、地点、组织、时间等。
2. 关系抽取（RE）：识别文本中实体之间的关系，如“A是B的父亲”。
3. 事件抽取(EE)：识别文本中的事件及其与实体的关联。
案例-用飞书多维表格-捷径字段快速批量提取实体
任务1：单次信息提取（智谱清言 https://chatglm.cn/share/FqlM8）
上面任务中，提示词采用具体任务+one-shot(参考示例)，当然，当我们需要大量的数据进行批量解析时，可以如何处理呢？当然我们可以通过在提示词中全部把任务提交给大模型，比如智谱最大输入限制目前能到2万，一些大批量任务也是可行的。但本次我们提供一种新的解决方法，利用飞书的多维表格。
任务2：采用飞书多维表格对八千条材料信息进行批量要素提取。
飞书多维表格中，有字段捷径，如上图中的，解析结果-V1字段，采用内置的信息提取字段捷径即可批量进行信息提取了。
当然，以上两个任务中，可能存在的问题有，比如提取的要素不准确，任务1中，同样是抗渗等级，第一次解析成耐久性等级，第二次解析成抗渗等级。商品混凝土，要求解析成供应方式：预拌。可能不满足实际业务要求。任务2中，解析的属性与属性值可能跟实际业务不符。这种情况应该如何改进呢？我们来看任务3。
任务3：要素提取、自定义提取要求，提供更多正、负case
本案例，用提取普通混凝土这一类材料，提取的属性有品类、强度等级、抗渗等级、外加剂类型、是否泵送五个。
以下调整后的提示词：
|
##提取信息
"品类"
"强度等级"
"抗渗等级"
"外加剂类型"
"是否泵送"
##输入参考示例
从“混凝土 混凝土强度等级：C10混凝土类型：混凝土外加剂：无材质：现浇混凝土C20”
提取"品类""强度等级""抗渗等级""外加剂类型""是否泵送"
输出：
"品类：普通混凝土
强度等级:C10
抗渗等级:null
外加剂类型:null
是否泵送:null"
##自定义提取要求
##输出格式
品类：xx
强度等级:xx
抗渗等级:xx
外加剂类型:xx
是否泵送:xx
##以下为材料描述中部分关键词的同义词说明
抗渗等级，S=P=W,实例：S4=P4
外加剂类型，膨胀剂=膨胀=膨胀型
是否泵送，非泵送=自卸=自卸车=斗车
##限制
1、必须按照输出格式要求输出
2、每类提取的信息的要素值只能从属性对于的属性值列表中查找：
品类的属性值包含“普通混凝土”、“特种混凝土”、“防冻混凝土”
强度等级的属性值包含“C7.5”、“C10”、“C15”、“C20”、“C25”、“C30”、“C35”、“C40”、“C45”、“C50”、“C55”、“C60”、“C70”、“C80”、“C85”、“C90”、“C95”、“C100”、“C130”
抗渗等级的属性只包含"P4"、"P6"、"P8"、"P10"、"P12"、"P14"、"P16"
外加剂类型的属性值包含"微膨胀"、"膨胀"、"防冻"、"早强"、"缓凝"、"减水"、"抗渗"、"增塑"
是否泵送的属性值包含“泵送”、“非泵送”
3、没要相应属性值的，输出：null
比如是否泵送,信息提取时没有对应属性与属性值，则输出,是否泵送：null
|
实际输出结果：选取100条数据进行验证，对输出的100条结果进行判定后，准确率100%。
当然，实际的应用案例还有很多，比如以下
-
在医疗领域，信息抽取技术可以用于从临床文档中提取病人的重要信息，以便医生作出更准确的诊断。
-
在金融领域，通过抽取新闻或社交媒体中的关键信息，机器可以更准确地预测股票价格的走势。
-
在法律领域，信息抽取可以帮助律师从大量文档中找出关键证据，从而更有效地构建或驳斥案件。
