Document AI自定义OCR提取器跨页标注异常：仅首页识别准确

一、仅首页预测准确的核心原因 #

• 页面上下文关联缺失：Document AI的自定义提取模型会默认学习文档的整体结构关联，但如果标注时没明确区分不同页面的标签归属逻辑，模型可能误以为所有标签都该出现在首页，后续页面的标签因为没和页面位置建立关联，自然无法正确识别。
• 标注数据分布偏差：如果训练集里大部分文档的关键标签都集中在首页，或者后续页面的标注样本量不足、标注规则不一致，模型会倾向于只在首页预测标签，直接忽略后续页面的内容。
• Schema设计缺乏页面区分：虽然你做了覆盖所有页面的Schema，但如果没给不同页面的标签设置页面上下文约束（比如指定某标签仅出现在第2页，或某类标签属于“详情页”组），模型根本分不清不同页面的标签适用场景。

二、当前标注方式的问题 #

你现在的标注方式（只标当前页面存在的标签，其余留空）不完全正确，主要漏了两个关键步骤：

• 没明确标记“标签不存在”的状态：留空标签会让模型搞不清是“没标注”还是“确实不存在”。Document AI需要明确的“不存在”标记（大部分版本的标注工具都有对应选项，比如勾选“此标签本页不出现”），否则模型会混淆这两种语义。
• 没建立页面位置和标签的关联：标注时没给标签绑定页面属性（比如指定这个标签属于“首页”“第3页”或者“详情页”类别），模型学不到标签在不同页面的分布规律。

三、修复方案 #

• 修正标注逻辑：
  • 对于当前页面不存在的标签，别留空，直接明确标记为“不存在”（在标注工具里找对应选项）。
  • 给每个标注的标签加上页面位置元数据，如果工具支持的话；或者在Schema里给标签加page_type属性（比如company_name对应page_type: "封面页"，invoice_item对应page_type: "详情页"）。
• 平衡训练数据分布：
  • 确保训练集里每种页面类型（首页、详情页等）的标注样本数量均衡，别让某类页面样本太少。
  • 检查后续页面的标注一致性，保证同类型页面的标签标注规则统一。
• 优化Schema设计：
  • 按页面类型给标签分组，比如创建封面页字段和详情页字段两个子Schema，明确不同页面对应的标签集合。
  • 给跨页面出现的标签加上下文关联规则（比如发票编号在首页和详情页都出现，但属于同一个实体）。

内容的提问来源于stack exchange，提问作者Cookie Monster