抽出スクリプトを使用する場合

NLP モデルとあわせて抽出スクリプトを使用し、正規表現、辞書語、NER オブジェクトへの一致や、ドキュメントからの住所の構成要素の抽出を行います。

NLP モデルとあわせて抽出スクリプトを使用すると、結果を改善できます。次のような場合に使用してください。

• テーブルからエンティティを抽出する必要がある。
• NLP モデルを学習させるためのサンプルドキュメントが十分にない。
• 一部の field の抽出品質に満足していない。

抽出スクリプトでは、次のことができます:

• 正規表現、ユーザー辞書内の単語やフレーズ (任意の活用形) 、または組み込みの NER オブジェクトに一致するテキストスパンを特定する。
• 検索語が任意の活用形で出現しうるテキストやテキストスパンに対してクエリを実行する。
• 特定したテキストスパンをドキュメントの field に保存する。
• ドキュメントから住所とその構成要素を抽出する。

​

組み込み NER オブジェクト

オブジェクト	抽出対象	利用可否
NerPerson	人物
NerOrg	組織
NerGeo	場所
NerAddress	住所
NerMoney	金額	抽出スクリプトでのみ利用可能
NerDate	日付	抽出スクリプトでのみ利用可能
NerDuration	期間	抽出スクリプトでのみ利用可能 (ロシア語および英語)
NERAccountNumber	アカウント番号	抽出スクリプトでのみ利用可能 (ロシア語)

住所の構成要素: NerZipCode (郵便番号) 、NerCountry (国) 、NerState (州) 、NerCity (市) 、NerStreet (住所) 。

​

抽出スクリプトを作成する

1. セクションのプロパティを開く

   Document Definition エディターを開き、ドキュメント セクションを右クリックして Properties をクリックし、NLP タブを開きます。

2. スクリプトを作成する

   Extraction Scripts で Create をクリックします。

3. 辞書をロードするか、スクリプトを編集する

   Extraction Script ダイアログで、ユーザー辞書をロードするには Load を、スクリプト エディターを開くには Edit をクリックします。ユーザー辞書は、BOM 付きの UTF-8 または ANSI でエンコードする必要があります。

​

ドキュメントから住所の構成要素を抽出する

1. 住所の領域を指定する

   住所が含まれるドキュメントの領域を指定します。FlexiLayout field を使用して検索領域を限定し、その領域を抽出スクリプトのソースとして使用します。詳細については、検索制約を参照してください。

2. 抽出スクリプトを適用する

   適切なスクリプトを適用します。住所の構成要素は、field 全体またはfield の一部で検索できます。

住所には、各構成要素 (郵便番号、国、州、市、住所) が最大 1 つ含まれますが、スクリプトによっては複数の結果が返されることがあります。検索領域をより正確に定義するほど、返されるインスタンスは少なくなります。

ParseAddressInPosition( resultCollectionNamePrefix : string, startPos : int, endPos : int ) または ParseAddressInSpan( resultCollectionNamePrefix : string, span : IInterval ) メソッドを使用して住所を解析すると、インデックス作成時に、検出された構成要素内の各単語に次の属性が付与されます。これらの属性は XML クエリで使用できます。

1. [resultCollectionNamePrefix]_[NerTypeOfComponent] 形式のコレクション名。
2. resultCollectionNamePrefix プレフィックス。
3. NER オブジェクトの型。

XML による住所抽出クエリの例については、クエリ言語を参照してください。

現在、構成要素を抽出できるのはドイツおよび米国の住所のみです。