GLiNER2.5で英語文からfieldをJSON抽出

GLiNER2.5は情報抽出モデルです。文と抽出したい項目名を入力すると、該当項目と原文中の位置を返します。この例では英語のサポート文から製品名、エラーコード、問題の説明を抽出し、JSONレコードに保存します。

公式repoはfastino/gliner2.5-base-v1を英語向け推奨checkpoint¹として示し、pip install "gliner2[local]"を案内します。韓国語でも同等の品質とは推定せず、まず英語標本で検証します。

文書を1種類選び、entity名とrelationの向きを定義します。AutoExtractor.from_pretrained("fastino/gliner2.5-base-v1")で読み込み、field・relation・attributeを指定します。

下のPython codeをextract.pyとして保存します。source_id・原文・model返却値を1つのfileに保存し、出力を原文と照合できます。

import json
from gliner2 import AutoExtractor

model = AutoExtractor.from_pretrained("fastino/gliner2.5-base-v1")
source_id = "ticket-001"
text = "The Atlas 14 laptop stopped charging with error E-204 after the March update."
schema = {"product": [
    "name::str::Product name and model",
    "error_code::str::Error code mentioned in the report",
    "issue::str::What went wrong",
]}
result = model.extract_json(text, schema)
record = {"source_id": source_id, "text": text, "extraction": result}
with open("extraction.json", "w", encoding="utf-8") as f:
    json.dump(record, f, ensure_ascii=False, indent=2)
print(json.dumps(record, ensure_ascii=False, indent=2))

人手ラベル付き文を100件用意し、entity spanのprecision・recall、relationのprecision・recall、JSON parse成功率を別々に測ります。合算値だけでは頻繁に欠落・誤接続する項目が隠れます。

誤検出の修正時間と誤ったrelationが後続処理に与えるコストも記録します。英語以外や複雑なレイアウトでは、OCR²出力がtext入力の前提に合うかを別に確認します。

表の構造をそのまま残す、または文書全体を一度に変換する必要があるなら、項目抽出モデルより文書パーサーを先に比較してください。ここでは指定した項目だけを探すため、表のセルや読み順は別に確認する必要があります。