3. 结构化信息抽取概述
在金融大模型应用中，结构化信息抽取（Structured Information Extraction，SIE）是把非结构化或半结构化的金融文本，转换为字段明确、类型确定、可直接入库或参与计算的结构化数据的过程。它不只是“把文字变短”，而是把语义角色、实体关系、数值口径和时间约束一并固化下来，使下游的风控、投研、合规、报表等系统能够稳定消费。
D 与目标模式 S（Schema），结构化信息抽取输出满足 S 的结构化记录 R，并保证字段可验证、可追溯、可对齐。模式通常由字段名、数据类型、取值范围、必填约束和关系约束共同定义。
一、核心原理：从“文本理解”到“模式对齐”
金融文本的难点在于表达高度压缩且口径多变。例如“本期计提减值准备 3.2 亿元，较上年同期减少 12%”，其中同时包含会计科目、金额、币种、期间、同比方向和变化率。结构化抽取的核心原理可以概括为三步：语义定位、模式对齐、约束校验。语义定位负责找到实体与事件；模式对齐把语义映射到目标字段；约束校验则检查金额单位、时间区间、勾稽关系是否自洽。
与传统序列标注不同，大模型时代的 SIE 更强调“指令 + 模式”的联合建模。模型不仅要识别“是什么”，还要判断“填到哪个字段、以什么类型填、是否允许为空”。因此，模式设计质量往往直接决定抽取上限。
二、任务分类：金融场景下的四类抽取
金融结构化抽取并非单一任务，按输出形态可分为四类，实际项目中常组合使用。
| 任务类型 | 典型输出 | 金融场景示例 | 关键难点 |
|---|---|---|---|
| 实体抽取 | 实体 + 类型 | 公司、证券代码、人物、机构 | 别名、简称、同名消歧 |
| 关系抽取 | 三元组 / 多元关系 | 担保关系、持股关系、任职关系 | 跨句、隐式关系、方向性 |
| 事件抽取 | 事件类型 + 论元 | 违约、并购、分红、评级调整 | 论元角色、时间、否定 |
| 数值与表格抽取 | 字段 + 数值 + 单位 | 营收、净利润、资产负债率 | 单位、口径、跨表对齐 |
三、评价指标：字段级与记录级并重
金融抽取不能只看整体准确率。一个记录中若“金额”正确但“期间”错误，业务上可能完全不可用。因此评价应分层：字段级看 Precision / Recall / F1，记录级看完全匹配率（EM），业务级看入库通过率与人工复核率。
字段级 F1 = 2 * P * R / (P + R)
记录级 EM = 完全正确记录数 / 总记录数
业务通过率 = 通过校验并入库记录数 / 总记录数
示例日志：
[field=net_profit] pred=3.2亿 gold=3.2亿 unit=CNY status=OK
[field=period] pred=2024Q1 gold=2024Q1 status=OK
[record=000001] EM=true confidence=0.93
四、与传统信息抽取的差异
传统信息抽取多依赖规则、词典和序列标注模型，模式固定、泛化有限。大模型驱动的结构化抽取在以下方面发生明显变化：
- 模式驱动方式：传统方法需为每个字段训练独立模型；大模型通过指令和 Schema 描述即可适配新字段。
- 上下文长度：传统方法通常按句或段处理；大模型可跨段落、跨表格联合推理。
- 输出形态：传统方法输出标签序列；大模型直接输出 JSON、表格或图结构。
- 约束能力：传统方法约束弱；大模型可结合校验器、规则引擎和工具调用做闭环校验。
- 可解释性：传统方法依赖特征；大模型可给出证据句和置信度，但需额外做溯源与审计。
五、案例复盘：一份年报中的减值准备抽取
假设目标是从年报中抽取“资产减值准备”记录，Schema 要求字段包括：company、report_period、item、amount、currency、yoy_change。原文为：“本报告期计提资产减值准备 3.2 亿元，较上年同期减少 12%。”
抽取流程可拆为：先定位金额与科目，再对齐期间与币种，最后校验同比方向与数值一致性。若模型输出 amount=3.2 但 currency=USD，则触发币种校验失败；若 yoy_change=+12%，则与“减少”矛盾，触发方向校验失败。通过这类约束，可以把“看起来对”的结果拦截在入库之前。