技术路径
输入：整份文档的段落内容，以序列化形式传入模型

推理：
· 提取当前段落的embedding值
· 推理每个段落和上一个段落的关系，分为子标题、子段落、合并、旁系、主标题、表格标题

· 如果是旁系类型，则再往上找父节点，并判断其层级关系，直到找到最终的父节点

输出：基于每个段落的情况，构造该文档的文档树，并按JSON 结构输出（右图中未渲染段落节点）。

使用场景：启信宝-招投标数据的数据清洗、治理
调用量：上百万页/天
价值：数据清洗的提效、提质工具
业务痛点：
(1) 招投标文档格式多样，PDF、扫描件、网页
(2) 文档内部有大量的表格结构，版面结构相对复杂
(3) 数据更新时效有较高要求，对文档处理速度及稳定性提出极高的要求。

合合信息Textin智能文档抽取产品，依托合合信息自研的垂直领域语义模型，并结合了合合信息强大的文字识别、文档解析、文档检索和文本生成四项关键技术，让计算机模拟人类的推理方式，来识别在训练阶段从未见过的新事物，实现开箱即用的“零样本”抽取，让AI触手可及。

准确理解复杂版面
非结构化文档抽取的瓶颈之一在于对文档复杂版面解析的准确性，例如文档中插入的各类复杂表格，对表格结构的准确还原是进行表格信息结构化抽取的前提。

非标准、横线缺失，双栏结构表格
版面分析引擎精准还原复杂表格
精准抽取表格字段

上海合合信息科技股份有限公司 ,是行业领先的人工智能及大数据科技企业，致力于通过智能文字识别及商业大数据领域的核心技术、C端和B端产品以及行业解决方案为全球企业和个人用户提供创新的数字化、智能化服务。