任务介绍

通用信息抽取利用单一模型支持多种类型的抽取任务，用户可以使用自然语言自定义抽取目标，无需训练即可抽取输入文本中的对应信息。 ERNIE-UIE是一个面向多领域、多任务、跨模态的通用内容理解技术框架。其采用统一建模思想，单模型可以跨模态支持实体、关系、事件、KV、标签、情感等多种内容理解任务，并使得不同任务间具备良好的迁移和泛化能力。UIE支持不限定行业领域和抽取目标的关键信息抽取，可以实现零样本快速冷启动，同时具备优秀的小样本微调能力，低成本适配特定领域的抽取目标。

特性

• 使用简单：用户可以使用自然语言自定义抽取目标(Schema)，无需训练即可抽取输入文本中的对应信息。实现开箱即用，满足各类信息抽取需求。
• 降本提效：以往技术需要大量标注数据才能保证效果，而UIE可实现开放域环境下的零样本(zero-shot)或少样本(few-shot)定制，大幅降低对标注数据的依赖。
• 效果领先：UIE在实体、关系、事件、情感等不同任务及多种场景下，都有不俗的表现。

版本说明

UIE的大版本差异如下，不同版本对应不同应用场景

适用场景

• 成长业务场景：此类场景需求定义相对开放且不稳定，同时也缺少业务数据积累。主要涉及各类产品原型研发、业务POC等。通过MONET的小样本学习能力，可以实现快速、低成本的模型定制适配。
• 成熟业务场景：此类场景需求相对封闭，但对推理性能要求较高。可以使用小样本微调后的MONET生产更多标注数据，通过数据蒸馏形式优化传统封闭域式模型。

ERNIE-UIE与PaddleNLP-UIE的关联

PaddleNLP-UIE是ERNIE-UIE技术的对外开源版本，为ERNIE-UIE的技术子集，目前在PaddleNLP上维护，百度内部用户可以使用ERNIE-UIE来无缝替换UIE，相比于开源UIE，内部版本提供更多能力。

更多能力

• 更强大的模型：采用更多业务数据训练，提供large/base/medium/micro各尺寸模型。
• 更全面的能力：提供少样本分类能力、文档单据端到端抽取能力(UIE-X)等。
• 全流程轻定制：提供标注、训练、评估等全流程定制工具。

• 更低的部署成本：

  • 参数高效微调框架：显著降低GPU部署成本。
  • CPU绿色版蒸馏工具。