【第十三届“泰迪杯”数据挖掘挑战赛】【2025泰迪杯】A题解题全流程(持续更新)

【第十三届"泰迪杯"数据挖掘挑战赛】【2025泰迪杯】A题解题全流程-思路(持续更新)

写在前面:

1、A题、C题将会持续更新,陆续更新发布文章

2、赛题交流咨询Q群:1037590285

3、全家桶依旧包含:

  • 代码、
  • 数据集、
  • 模型、
  • 论文、
  • 教学视频、
  • 服务器镜像分享(无需搭建环境和下载模型)、
  • 售后服务
  • 赠品成品系统(基于大模型pdf提取系统)可用做毕设

一、解题思路

实现技术 : RapidLayout+Qwen2.5VL-7B+OCR+clip+Qwen2.5-7B-chat

总体思路概述:

  • 问题一:版面分析对pdf每一页进行布局分析,结合ocr、多模态大模型进行内容信息提取,处理细节解决问题。保存正文内容、图片、公式入库储存用于后续任务。
  • 问题二:本地构建部署Qwen2.5-7B-chat进行调用,对保存的正文内容与赛题要求进行大模型分析,微调模型输出参数,降低模型幻觉,增加消息队列防止同一问题,输出回答错乱。
  • 问题三:根据问题一入库保存的图片、公式,进行clip构建图像侧特征矩阵,根据特征相似度进行重复率判断。以及pdf属性为文本的论文文本内容,进行构建文本侧特征矩阵。进行相似度匹配查重。
  • 问题四:对于图片占比过高的论文pdf,结合版面分析+ocr,对pdf全提取,提取全文本,对文本特征进行相似度匹配,作为权重1;再将所以pdf页面作为图片,构建图像侧特征矩阵,做相似度匹配,作为权重2。最终根据权重综合得出该类论文的重复率。

二、版面分析结果:


输出数据结构

json

复制代码
样例:

{
  "参赛队号": "T001",
  "论文标题": "基于深度学习的文档分析研究",
  "总页数": 12,
  "总字数": 8500,
  "摘要": {"页数": 1, "字数": 300},
  "正文": {
    "页数": 8,
    "字数": 6500,
    "图片数": 6,
    "图片比例": 0.15,
    "表格数": 3,
    "公式数": 12
  },
  "段落统计": {
    "数量": 45,
    "平均句子": 3.2,
    "平均字数": 144
  },
  "参考文献": {"数量": 28},
  "附录": {"页数": 2, "代码行数": 150}
}

三、大模型本地实现处理分析:

主要分享思路,后续做完整体再继续更新全部

"占个坑位。hh"

相关推荐
沐雪架构师4 分钟前
Docling将pdf转markdown以及与AI生态集成
人工智能·pdf
kevin 16 分钟前
扫描件、PDF、图片都能比对!让文档差异无所遁形
大数据·人工智能·pdf
XerCis9 分钟前
Python的RSS/Atom源解析库feedparser
开发语言·python
算家云19 分钟前
腾讯最新开源HunyuanVideo-Foley本地部署教程:端到端TV2A框架,REPA策略+MMDiT架构,重新定义视频音效新SOTA!
人工智能·音视频·算家云·hunyuanvideo·模型部署教程·镜像社区
小王爱学人工智能27 分钟前
迁移学习的案例
人工智能·机器学习·迁移学习
源雀数智31 分钟前
源雀SCRM开源:企微文件防泄密
java·人工智能·企业微信·流量运营
Honeysea_7036 分钟前
容器的定义及工作原理
人工智能·深度学习·机器学习·docker·ai·持续部署
fantasy_arch38 分钟前
SVT-AV1 svt_aom_motion_estimation_kernel 函数分析
人工智能·算法·av1
甄心爱学习40 分钟前
Typer 命令行工具使用示例
python
Acrel1361196551444 分钟前
别让电能质量问题拖后腿:工业场景中电能治理的战略意义
大数据·人工智能·能源·创业创新