kp-005 · 研报抽取：文档解析、信息抽取与摘要

核心模块：智能投研预计 25 分钟更新 2026-10-02

一句话定义

研报抽取是把券商研报、公告等非结构化文档自动转化为结构化数据与摘要的技术链路，包含文档解析、信息抽取与摘要生成三个环节，是智能投研的地基工程。

为什么重要

投研人员每年面对数以十万计的研报与公告，阅读是最大时间成本；而大模型时代"文档进、结论出"的想象，恰恰卡在最不性感的一环——解析。PDF 双栏排版、表格跨页、图表嵌入文字，会让"复制粘贴"得到乱序文本，下游模型再强也输在脏输入上。掌握本知识点，能判断一份"智能研报系统"方案的工程含金量：是演示级（只处理干净文本）还是生产级（处理真实版式），并能读懂抽取质量报告里的指标含义。

前置知识

kp-002（时点数据与文本噪声概念）。

直观类比

研报抽取像拆快递再入库：解析是拆包装（把 PDF 拆成带位置信息的元素），抽取是把商品登记造册（公司、指标、评级各归其位），摘要是写一张货品便签（几十字说清这箱是什么）。任何一步把商品压坏了或登记错行，后续的检索与分析都会错。

核心概念

文档解析（document parsing）：版面分析（layout analysis，识别标题/正文/表格/图/脚注区域）、阅读顺序还原（双栏 PDF 按栏读而非按行读）、表格结构识别（还原行列与合并单元格）、公式与脚注处理。
信息抽取（information extraction）：命名实体识别（NER——公司、人名、指标名）、关系抽取（"目标价—公司—机构"三元组）、事件抽取（评级上调、盈利预告、高管变动）、数值归一化（"3.5 亿"→350000000，注意单位与币种）。
摘要生成（summarization）：抽取式摘要（摘原句，忠实但生硬）与生成式摘要（改写，流畅但有幻觉风险）；LLM 时代的典型方案是"分段要点+全文摘要"两级生成，并要求引用原文位置。
评测指标：抽取用精确率（Precision，抽出的对不对）、召回率（Recall，该抽的漏没漏）、F1；摘要用 ROUGE（与参考摘要重叠度，仅作粗筛）加人工忠实性评审（数字是否与原文一致）。

原理与机制

方法演进四阶段：规则模板（正则+词典，准但脆，版式一改就崩）→ 统计机器学习（CRF 做 NER，需人工特征）→ 预训练模型（BERT 微调做 NER/分类，标注需求降至千级）→ LLM（少样本提示直接抽取，标注成本再降，但引入幻觉与成本问题，需结构化输出校验）。生产系统的现实形态是混合管线：解析层用专门的版面模型（规则+视觉模型兜底），抽取层 LLM 主力+规则硬校验（数值必须能在原文找到出处），摘要层生成后过忠实性检查（关键数字逐项比对原文）。为什么数值校验如此重要：研报的核心价值在数字，而 LLM 最容易错的恰是数字（抄错、算错、编造），因此"每个数字可溯源到原文片段"是生产级系统的硬验收项。

公式或模型

Precision = 抽对的数量 / 抽出的总数量

Recall = 抽对的数量 / 应抽的总数量

F1 = 2PR / (P + R)

ROUGE-N：生成摘要与参考摘要的 n-gram 重叠率(仅作粗筛)

图示

PDF/Word ─→ 版面分析 ─→ 阅读顺序还原 ─→ 表格识别
                                        │
                    结构化文本(带坐标/来源页码)
                                        │
        ┌───────────────┼───────────────┐
      NER/关系/事件抽取   数值归一化      LLM 摘要生成
        └───────────────┼───────────────┘
                 校验层(数字溯源/schema 校验)
                        │
              结构化库 + 摘要库 → 投研检索

实例或案例

某券商研究所的研报结构化系统处理一份 30 页深度报告：解析层识别出双栏正文、6 张跨页表格与 40 余个脚注，按栏还原阅读顺序；抽取层输出"公司—评级—目标价—核心假设"结构化记录，其中"目标价 58.60 元"经溯源校验确认出自第 2 页表格而非摘要段；摘要层生成 3 段式要点并附原文定位。上线后分析师检索"某公司历次评级调整及目标价变化"从人工翻查约 40 分钟降到秒级，但系统明确标注"AI 摘要，分析师签发前须人工复核"——抽取可自动化，判断与署名仍归人。

常见误区

误区一：PDF 转文本等于解析完成。 丢掉版面与表格结构的纯文本会破坏语义（表格行错乱、双栏串行），下游模型基于错误输入无法修复。
误区二：ROUGE 高代表摘要可靠。 ROUGE 只度量与参考摘要的词面重叠，不能发现数字编造；生产验收必须加数字溯源与人工忠实性评审。
误区三：抽取准确率 95% 可以直接用。 要看错误分布：如果把"上调"抽成"下调"这类方向性错误率哪怕 2%，进入下游信号也会造成实质误导；验收要看分项错误类型而非总 F1。

自测题

研报抽取的三个环节是什么？各自的关键难点？

答案要点：解析（版面/双栏/表格）、抽取（NER/关系/事件/数值归一）、摘要（忠实性与幻觉控制）。

为什么"数字溯源"是生产级系统的硬验收项？

答案要点：研报价值在数字且 LLM 易在数字上出错，每个数字须可回溯到原文片段才能进入下游。

抽取式与生成式摘要的取舍是什么？

答案要点：抽取式忠实但生硬；生成式流畅但有幻觉风险，需配引用与忠实性校验。

与其他知识点的关系

kp-006 是研报抽取的近邻场景（对象换成财报，多了三表勾稽约束）；kp-009 把本知识点嵌入完整投研管线；kp-021 的 RAG 检索质量直接依赖本知识点的解析与结构化质量；kp-024 的幻觉防护为摘要环节提供红线设计。