基于 LLM 的财政文件信息抽取

大语言模型 (LLM) 在文本理解方面展现了惊人的能力，但其处理复杂层次化表格数据的能力尚未得到充分探索。我们提出一种新方法，用于从多页政府财政文件中抽取结构化数据。该方法应用于印度卡纳塔邦的年度财政文件（200 多页），通过多阶段管道实现高准确率，利用领域知识、顺序语境和算法验证。传统 OCR 方法的一个主要挑战是无法验证数字的准确抽取。在财政数据应用中，财政表格的内在结构——即各层级总计位于层级总计位置——允许对抽取数据进行稳健的内部验证。我们利用这些层级关系创建了多级验证检查。我们展示了 LLM 能够读取表格并处理文档特定的结构层级，为将 PDF 基于财政披露转换为研究就绪数据库提供了可扩展的流程。我们的实现在发展中地区的更广泛应用中显示出前景。