建筑行业企业证照关键信息智能提取大模型训练数据

本数据集作为建筑行业企业证 照关键信息智能提 取大模型的核心训 练语料，用于RoBERTa-wwm-ext 预训练语言模型的领域微调，以及 BiLSTM-CRF 序列标注模型的训练，使模型能够准确识别证照中的企业名称、统一社会信用代码、法定代表人、注册资本、资质等级、有效期等 23 种关键实体。同时，数据集可支撑模型在 23 种提取场景下的端到端准确率评测、LOF 异常检测算法验证及置信度校准。基于提取结果，可构建建筑行业证照要素知识图谱，积累资质等级、发证机关等行业基准数据，并为智能证照管理、资质审核、人员注册核查等下游业务系统提供结构化数据支撑，对推动建筑行业数据要素价值释放和AI技术应用落地具有重要意义。1.数据清洗与标准化：基于file_name和extract_field去重；OCR结果字符级置信度验证（阈值0.85）；提取结果与标准答案一致性校验；企业名称"首字++末四字"脱敏，信用代码"前6位++后4位"脱敏，姓名"姓+*"脱敏；保留提取失败样本增强鲁棒性。 2.问题分类与结构化：按证照类型分为4大类28种场景——营业执照类8种、资质证书类6种、安全生产许可证类6种、人员注册证书类8种，每种场景对应特定提取方法组合。 3.核心算法建模： （1）OCR识别：Tesseract 5.x（--psm 6，--oem 3，chi_sim+eng），识别准确率>=98%； （2）语义解析与实体提取：RoBERTa-wwm-ext（12层Transformer，768维）+ BiLSTM-CRF + TextCNN分类器，结合正则表达式和规则引擎双路径策略； （3）异常检测：LOF算法（n_neighbors=20，contamination=0.05），过滤率>=99%； （4）逻辑核验：OCR置信度+文本相似度+字段类型匹配+证照类型逻辑一致性，专家最终核验。 4.语料库持续迭代：建立"应用-反馈-优化"闭环，统计提取正确率和置信度分布，定向优化OCR参数和提取规则，定期注入新语料。

搜集汇总

背景与挑战

背景概述

本数据集包含13,023条建筑行业企业证照记录，用于训练和微调RoBERTa-wwm-ext及BiLSTM-CRF模型，以实现对23种关键实体（如企业名称、统一社会信用代码等）的智能提取，并支持异常检测和置信度校准。数据覆盖4大类28种证照场景，通过OCR、语义解析、逻辑核验等多重算法处理，并定期迭代优化，为智能证照管理、资质审核等下游应用提供结构化数据支撑，助力建筑行业数据要素价值释放。