建筑行业竣工验收报告关键信息智能提取大模型训练数据

建筑行业竣工验收报告是工程交付使用的核心法律文件，记录项目名称、建设单位、施工单位、监理单位、验收日期、验收结论、工程质量等级、建筑面积、工程造价等关键信息。传统模式下，这些信息依赖人工逐项阅读和录入，效率低下且易出错；大量竣工验收报告以纸质或扫描件形式存储，信息提取滞后，影响工程档案归档和质监备案；不同地区验收报告的格式和表述差异大，人工提取难以保证一致性和准确性。本数据产品面向建筑行业竣工验收报告关键信息智能提取场景，通过构建涵盖12种文本格式、覆盖12个省份10类工程类型的标注语料数据集，训练大模型实现从非结构化文本中自动提取项目名称、验收结论等9个关键信息字段。建设单位可实现验收信息自动化归档，住建主管部门可快速完成竣工备案核查，行业研究机构可批量获取竣工验收数据用于工程质量趋势分析，推动建筑行业竣工验收信息处理从人工模式向智能化方向发展。数据来源：原始数据来源于公司平台积累的建筑行业竣工验收报告文本数据，涵盖房建、市政、公路、水利、装饰、钢结构、机电安装、园林绿化等10类工程类型，覆盖全国12个省份，经平台业务系统自动采集与人工核实后形成竣工验收报告原始文本库。 数据预处理：对原始文档进行OCR识别和文本清洗，去除印章、签名等非文本干扰，统一日期格式为YYYY-MM-DD，统一金额单位为万元并保留两位小数，统一面积单位为平方米，对项目名称保留前2字+**+后2字脱敏，建设单位保留前2字+**+后4字脱敏，施工单位保留前2字+**+后4字脱敏，监理单位保留前2字+**+后4字脱敏。 数据标注：采用人工标注、模型预标注+人工校验、规则提取+人工校验、双人交叉标注等多种方式，对每份报告标注项目名称、建设单位、施工单位、监理单位、验收日期、验收结论、工程质量等级、建筑面积、工程造价共9个关键信息字段，验收结论分为合格和优良两类，工程质量等级分为合格、优良、省级优质工程、国家级优质工程四级，标注一致率≥95%。 模型训练：采用预训练模型进行命名实体识别训练，设置学习率2e-5、批大小32、训练轮次50，使用PyTorch框架，以F1值≥0.92为目标。 模型评估：使用测试集计算各字段的精确率、召回率、F1值，确保关键字段提取F1值≥0.90，整体准确率≥92%，经人工核验确认。 同时建立双重正确率校验机制，先由大模型进行AI分析正确率；再由人工对数据表进行抽查核验核比对，抽查核验数不低于5%。

搜集汇总

背景与挑战

背景概述

该数据集是面向建筑行业竣工验收报告关键信息智能提取的大模型训练数据，包含1.2万条标注语料，覆盖12个省份、10类工程类型及12种文本格式，标注了项目名称、验收结论等9个关键字段，标注一致率≥95%。数据经OCR识别、清洗和脱敏处理，用于训练命名实体识别模型，目标关键字段提取F1值≥0.90，整体准确率≥92%，并设有AI与人工双重正确率校验机制，适用于自动化归档、备案核查和质量趋势分析等场景。