基于大模型的 NLP 解决方案：UIE 通用信息抽取框架

若需重置抽取目标，可以通过 set_schema 方法实现。例如在医疗场景下抽取肿瘤相关信息：

schema = ['肿瘤的大小', '肿瘤的个数', '肝癌级别', '脉管内癌栓分级']
ie.set_schema(schema)
pprint(ie("（右肝肿瘤）肝细胞性肝癌（II-III 级，梁索型和假腺管型），肿瘤包膜不完整，紧邻肝被膜，侵及周围肝组织，未见脉管内癌栓（MVI 分级：M0 级）及卫星子灶形成。（肿物 1 个，大小 4.2×4.0×4.8cm）。"))

基座模型选择

UIE 模型是基于 ERNIE 基座模型训练出来的，提供了多种规格的模型以适应不同的性能与资源需求。

注：uie-medical-base 针对医疗领域进行了优化，适合医疗文档的信息抽取。

微调与定制化

虽然部分平台提供了开箱即用的能力，但在实际业务中往往需要接入定制化实现。PaddleNLP 的微调支持较为完善，允许用户基于自有数据进行模型优化。

数据标注

建议基于 doccano 等标注平台进行数据标注。数据格式通常遵循 JSONL 标准，每一行代表一条样本，包含文本内容及对应的标签信息。对于 UIE 任务，标签通常以 Schema 的形式定义，并在训练时转换为具体的起止位置或事件角色。

模型微调

推荐使用 Trainer API 对模型进行微调。只需输入模型、数据集等就可以使用 Trainer API 高效快速地进行预训练、微调和模型压缩等任务。Trainer API 封装了优化器、学习率调度等通用训练配置，支持一键启动多卡训练、混合精度训练、梯度累积、断点重启等功能。

使用下面的命令，使用 uie-base 作为预训练模型进行模型微调，将微调后的模型保存至 $finetuned_model：

export finetuned_model=./checkpoint/model_best

python finetune.py \
    --device gpu \
    --logging_steps 10 \
    --save_steps 100 \
    --eval_steps 100 \
    --seed 42 \
    --model_name_or_path uie-base \
    --output_dir $finetuned_model \
    --train_path data/train.txt \
    --dev_path data/dev.txt \
    --max_seq_length 512 \
    --per_device_eval_batch_size 16 \
    --per_device_train_batch_size 16 \
    --num_train_epochs 20 \
    --learning_rate 1e-5 \
    --label_names "start_positions" "end_positions" \
    --do_train \
    --do_eval \
    --do_export \
    --export_model_dir $finetuned_model \
    --overwrite_output_dir \
    --disable_tqdm True \
    --metric_for_best_model eval_f1 \
    --load_best_model_at_end True \
    --save_total_limit 1

关键参数说明：

• --model_name_or_path: 指定预训练模型路径或名称。
• --train_path: 训练数据文件路径。
• --learning_rate: 学习率，影响收敛速度和最终效果。
• --num_train_epochs: 训练轮数。
• --metric_for_best_model: 用于评估最佳模型的指标，通常为 F1 值。

模型评估与预测

模型评估

在微调过程中，Trainer API 会自动在验证集上进行评估。主要关注指标包括精确率（Precision）、召回率（Recall）和 F1 分数。开发者可根据验证集表现调整超参数，如学习率、Batch Size 等。

模型预测

加载定制模型后，通过 Taskflow 指定模型权重文件的路径，路径下需要包含训练好的模型权重文件 model_state.pdparams。

from pprint import pprint
from paddlenlp import Taskflow

schema = ['出发地', '目的地', '费用', '时间']
# 设定抽取目标和定制化模型权重路径
my_ie = Taskflow("information_extraction", schema=schema, task_path='./checkpoint/model_best')
pprint(my_ie("城市内交通费 7 月 5 日金额 114 广州至佛山"))

输出结果将展示提取到的结构化信息及其置信度概率。

模型部署

模型导出

模型训练、压缩时已经自动进行了静态图的导出以及 tokenizer 配置文件保存。保存路径 ${finetuned_model} 下应该有 *.pdimodel、*.pdiparams 模型文件可用于推理。

模型部署

支持 CPU 和 GPU 两种推理模式。部署脚本通常位于 deploy/python/infer.py。

# UIE 模型 CPU 推理
python deploy/python/infer.py --model_dir ./checkpoint/model_best --device cpu

# UIE 模型 GPU 推理
python deploy/python/infer.py --model_dir ./checkpoint/model_best --device gpu

在实际生产环境中，建议将推理服务封装为 RESTful API，以便前端或其他后端服务调用。同时，注意监控推理延迟和吞吐量，必要时可进行量化加速或模型蒸馏以提升性能。

总结

UIE 框架为大模型时代的 NLP 信息抽取提供了一种高效、灵活的解决方案。通过统一的任务建模和强大的基座模型，开发者可以快速构建适应特定领域的抽取系统。无论是零样本的快速原型验证，还是小样本的精细化微调，UIE 都能提供有力的技术支持。结合 PaddleNLP 完善的工具链，从数据标注到模型部署的全流程均可顺畅完成，助力企业快速落地 AI 应用。