如何训练GCP Document AI自定义处理器精准提取符号前后字符？

核心问题分析 #

当前表单目标字段格式为19165768.3 - 1216 / 3557377，模型混淆了字段边界，把短横线后、斜杠前的无关数字错误纳入申请号/专利号标签，本质是模型对字段语义边界和格式规则的学习不足。

训练层面的优化方法 #

1. 精细化标注策略 #

• 严格遵循「最小精准选区」标注：申请号只框选19165768.3，专利号只框选3557377，绝对不要包含短横线、斜杠或中间的1216。之前用Bounding Box可能框选范围过大，导致模型学习到错误的边界关联，建议改用文本选择工具逐字符精准选中目标内容，避免冗余文本被纳入标签范围。
• 增加「负样本标注」：在训练集中专门标注那些容易被误识别的干扰部分（比如- 1216 /），给这些区域打上「非目标字段」的标签，帮助模型区分有效内容和干扰项。
• 统一标注规范：确保所有训练文档的标注逻辑完全一致，比如申请号必须是短横线前的浮点数，专利号必须是斜杠后的整数，不要出现任何标注偏差。

2. 训练数据优化 #

• 补充「格式变体样本」：如果存在其他类似格式的专利表单（比如申请号位数不同、中间数字长度变化），加入训练集，让模型学习到更泛化的格式规则，而不是仅适配单一模板。
• 强化「困难样本」训练：把之前提取错误的文档单独拎出来，作为重点训练样本，重复标注并加入训练集，让模型针对性修正边界识别错误。

3. 模型训练参数调整 #

• 尝试提高「训练迭代次数」：默认迭代次数可能不足以让模型学习到精细的边界规则，适当增加迭代次数（比如从默认的10次提升到20-30次），观察F1分数变化。
• 调整「标签权重」：针对F1分数低的申请号/专利号标签，提高其训练权重，让模型更关注这两个字段的精准提取。

4. 自定义处理器配置优化 #

• 在处理器设置中，启用「文本拆分规则」：利用Document AI的文本拆分功能，基于短横线-和斜杠/作为分隔符，预先拆分文本块，再让模型在拆分后的块中提取目标内容，减少干扰。
• 启用「实体规则模板」：如果表单格式固定，可以定义规则模板，比如申请号匹配^\d+\.\d+$（浮点数格式），专利号匹配^\d+$（整数格式），辅助模型进行精准识别。

验证与迭代 #

每次调整后，用独立的测试集验证提取效果，重点关注申请号是否仅包含短横线前的浮点数，专利号是否仅包含斜杠后的整数。如果仍有错误，继续优化标注或补充样本，直到F1分数达标。

内容的提问来源于stack exchange，提问作者imihailov