Classifier

ภาพรวมโดยสังเขป

NextPDF\Pro\Classifier กำหนดประเภทเอกสาร (ใบแจ้งหนี้ สัญญา รายงาน และอื่น ๆ) และภาษาที่ตรวจจับได้ โดยใช้ฮิวริสติกแบบกำหนดได้แน่นอนบนข้อความและโครงสร้างของเอกสาร โดยเป็นแบบอิงกฎ ไม่ใช่โมเดลแมชชีนเลิร์นนิง

การพร้อมใช้งานและการอนุญาต

ความสามารถนี้มาพร้อมกับ NextPDF Pro (nextpdf/pro) และเปิดใช้งานด้วยซองใบอนุญาตระดับ Pro การนำไปติดตั้งที่ไม่มีสิทธิ์ดังกล่าวจะไม่โหลดคลาสของความสามารถนี้ เปรียบเทียบรุ่นและขอใบอนุญาต

ไม่มีแฟล็กความสามารถรันไทม์ที่ควบคุมโมดูลนี้ คลาส classifier มีให้ใช้งานเมื่อใดก็ตามที่ติดตั้ง nextpdf/pro แล้ว

การติดตั้ง

composer require nextpdf/pro:^3

ภาพรวมเชิงแนวคิด

DocumentClassifier ประสานงานผู้ร่วมงานสามตัว:

• StructureAnalyzer ตรวจสอบ PDF เพื่อนับจำนวนหน้า จำนวนภาพและฟอนต์ และฟิลด์ฟอร์ม/ลายเซ็น โดยผลิตเป็น StructureAnalysis
• HeuristicClassifier (ค่าเริ่มต้นของ ClassifierInterface) ให้คะแนนข้อความเทียบกับพจนานุกรมคำสำคัญต่อประเภท และใช้ฮิวริสติกเชิงโครงสร้าง (ตัวอย่างเช่น เอกสารสั้นจะเอนเอียงออกห่างจาก “report”) โดยให้ผลเป็น DocumentType และค่าความเชื่อมั่น
• LanguageDetector ระบุภาษาจากโปรไฟล์ความถี่ของไทรแกรมตัวอักษรสำหรับสิบภาษา โดยถอยกลับไปใช้ภาษาอังกฤษเมื่อต่ำกว่าเกณฑ์ความเชื่อมั่น

classifyFromText() รับข้อความที่สกัดมาแล้ว (พร้อมไบต์ PDF ดิบสำหรับโครงสร้างที่เลือกได้) classifyFromFile() รับไบต์ PDF ดิบและสกัดข้อความโดยการแจงตัวดำเนินการแสดงข้อความตาม §9.4 โดยตรง

เหตุใดจึงทำงานแบบนี้

การตัดสินใจที่เป็นหัวใจคือการจำแนกด้วยฮิวริสติกแบบกำหนดได้แน่นอน ไม่ใช่โมเดลแมชชีนเลิร์นนิง ไปป์ไลน์แบบอิงกฎเป็นฟังก์ชันบริสุทธิ์ของอินพุต คือไบต์ที่เหมือนกันจะให้ประเภท ค่าความเชื่อมั่น และภาษาที่เหมือนกันเสมอ โดยไม่มีการเลื่อนไหลของโมเดลและไม่มีการเรียกเครือข่าย ความแน่นอนดังกล่าวทำให้ผลลัพธ์เปิดเผยค่าความเชื่อมั่นอย่างชัดแจ้ง เกต isConfident() และแมป scores ต่อประเภท เพื่อให้โมดูลแสดงว่าตัดสินใจอย่างไรแทนที่จะซ่อนตัวเลือกไว้เบื้องหลังโมเดล ดังนั้นผู้เรียกจึงกำหนดเส้นทางเอกสารที่มีความเชื่อมั่นต่ำไปยังการตรวจทานด้วยตนเองตามสัญญา และข้อความที่สั้นเกินกว่าจะให้คะแนนได้จะถอยกลับไปใช้ en ภายใต้กฎตายตัวเดียวกัน การแลกเปลี่ยนนี้เป็นไปโดยเจตนา คือความแม่นยำถูกจำกัดด้วยโปรไฟล์คำสำคัญและไทรแกรมที่ตายตัว เพื่อแลกกับความสามารถในการทำซ้ำ ความสามารถในการตรวจสอบ และตัวจำแนกประเภทที่ทำงานภายในกระบวนการทั้งหมด

เบื้องหลังการออกแบบ: API ที่ปฏิเสธจะเดา

สัญญาพฤติกรรม

• อินพุต ข้อความที่สกัดมาแล้ว (classifyFromText) หรือไบต์ PDF ดิบ (classifyFromFile) อินพุตว่างเป็นค่าที่ถูกต้องและให้ผลที่มีความเชื่อมั่นต่ำ โดยทั่วไปคือ DocumentType::Other
• เอาต์พุต ClassificationResult ที่มี DocumentType ค่าความเชื่อมั่นใน [0.0, 1.0] ลักษณะเชิงโครงสร้างที่ตรวจจับได้ รหัสภาษา ISO 639-1 และเมทาดาทา isConfident(0.7) คือตัวช่วยตามเกณฑ์ที่บันทึกไว้
• ความแน่นอน การจำแนกประเภทและการตรวจจับภาษาเป็นฟังก์ชันบริสุทธิ์ของอินพุต คืออินพุตเดียวกัน ผลลัพธ์เดียวกัน ไม่มีความสุ่ม ไม่มีเครือข่าย
• ขอบเขต ประเภทเอกสารสิบสองประเภทและโปรไฟล์ภาษาสิบภาษา ทั้งคู่ถูกตรึงไว้ในรุ่นนี้ สามารถจัดหากลยุทธ์แบบกำหนดเองได้ผ่าน ClassifierInterface

พื้นผิว API สาธารณะ

Type	Kind	Key members
NextPDF\Pro\Classifier\DocumentClassifier	final class	static create(): self, classifyFromText(string $text, string $pdfData = ''): ClassificationResult, classifyFromFile(string $pdfData): ClassificationResult
NextPDF\Pro\Classifier\ClassifierInterface	interface	classify(string $text, StructureAnalysis $structure): ClassificationResult, supports(string $contentType): bool
NextPDF\Pro\Classifier\HeuristicClassifier	final class	implements ClassifierInterface
NextPDF\Pro\Classifier\StructureAnalyzer	final class	analyze(string $pdfData): StructureAnalysis
NextPDF\Pro\Classifier\LanguageDetector	final class	detect(string $text): string
NextPDF\Pro\Classifier\ClassificationResult	final readonly class	DocumentType $type, float $confidence, array $features, string $language, isConfident(float $threshold = 0.7): bool
NextPDF\Pro\Classifier\DocumentType	enum	12 cases (Invoice, Contract, Form, Report, Letter, Receipt, Legal, Medical, Financial, Technical, Academic, Other); label(): string

ตัวอย่างโค้ด — เริ่มต้นอย่างรวดเร็ว

<?php

declare(strict_types=1);

use NextPDF\Pro\Classifier\DocumentClassifier;

$result = DocumentClassifier::create()
    ->classifyFromText('Invoice #4471 — Amount due: $1,200.00');

printf(
    "%s (%.0f%% confidence), lang=%s\n",
    $result->type->label(),
    $result->confidence * 100,
    $result->language,
);

ตัวอย่างโค้ด — โปรดักชัน

<?php

declare(strict_types=1);

use NextPDF\Pro\Classifier\DocumentClassifier;
use NextPDF\Pro\Classifier\DocumentType;

function routeDocument(string $pdfBytes): string
{
    $result = DocumentClassifier::create()->classifyFromFile($pdfBytes);

    if (! $result->isConfident(0.7)) {
        return 'manual-review';
    }

    return match ($result->type) {
        DocumentType::Invoice, DocumentType::Receipt => 'accounts-payable',
        DocumentType::Contract, DocumentType::Legal   => 'legal-intake',
        default                                       => 'general-inbox',
    };
}

ข้อควรระวังและกรณีขอบ

• ค่าความเชื่อมั่นเป็นแบบฮิวริสติก ให้ถือผลลัพธ์ที่ต่ำกว่าเกณฑ์ว่า “ไม่แน่นอน” และกำหนดเส้นทางไปยังการตรวจทานด้วยตนเอง เช่นเดียวกับที่ตัวอย่างสำหรับโปรดักชันทำ
• การตรวจจับภาษาต้องการข้อความที่เพียงพอ สตริงที่สั้นมากจะถอยกลับไปใช้ภาษาอังกฤษโดยการออกแบบ
• classifyFromFile() ใช้การสกัดข้อความระดับไบต์ที่มีขอบเขต PDF ที่บีบอัดหนักหรือเป็นภาพล้วนจะลดปริมาณข้อความที่นำมาให้คะแนนได้
• ชุดประเภทเอกสารและภาษาถูกตรึงไว้ในรุ่นนี้ ให้ขยายการจำแนกประเภทโดยการนำ ClassifierInterface ไปใช้ ไม่ใช่โดยการเปลี่ยนแปลงพจนานุกรมในตัว

ที่ตั้งข้อมูลและการลดทอน PII

การจำแนกประเภททำงานในกระบวนการโดยไม่มีการเรียกเครือข่ายและไม่มีการจัดเก็บอินพุต ผลลัพธ์ประกอบด้วย DocumentType และรหัสภาษา ไม่ใช่ข้อความต้นฉบับ หากผู้เรียกเก็บรักษา metadata ให้ตรวจทานหา PII ที่เผลอติดมาก่อนจัดเก็บ

การวัดและส่งข้อมูลที่ปลอดภัยและการล้างข้อมูลในบันทึก

โมดูลไม่ปล่อยข้อมูลการวัดและส่งและไม่บันทึกอินพุต ผู้เรียกที่เพิ่มการบันทึกควรบันทึกเฉพาะ DocumentType และรหัสภาษาที่ได้ ไม่ใช่ข้อความที่จำแนกประเภท

ประสิทธิภาพ

การให้คะแนนคำสำคัญและการนับไทรแกรมเป็นเชิงเส้นตามความยาวของข้อความ การวิเคราะห์โครงสร้างเป็นเชิงเส้นตามความยาวไบต์ของ PDF พร้อมเพดานการคลายการบีบอัดที่มีขอบเขต ดู performance_budget

บันทึกด้านความปลอดภัย

classifyFromFile() แจงไบต์ PDF ที่ไม่น่าเชื่อถือด้วยการสแกนที่มีขอบเขตและเพดานขนาดการคลายการบีบอัดเพื่อต้านทานอินพุตที่เป็นระเบิดการคลายการบีบอัด ไม่มีการรันสคริปต์ที่ฝังอยู่

ความสอดคล้องกับมาตรฐาน

Claim	Spec clause	Status
Text recovered via Tj for file classification	ISO 32000-2:2020 §9.4	Verified (unit suite)
Text recovered via TJ for file classification	ISO 32000-2:2020 §9.4	Verified (unit suite)
Machine-learning / model-based classification	—	Not supported (heuristic only)

ทางเลือก / ทางสำรองของ Core

ไม่มีสิ่งเทียบเท่าใน Core สำหรับการจำแนกประเภทเอกสารหรือการตรวจจับภาษา

บันทึกขอบเขตของ Enterprise

ตัวจำแนกประเภทนี้เป็นแบบอิงกฎและกำหนดได้แน่นอน โดยไม่ทำการฝังเวกเตอร์ การหาความคล้ายเชิงเวกเตอร์ การอนุมานโมเดล หรือการเข้าใจเชิงความหมาย ความสามารถเหล่านั้นไม่ได้เป็นส่วนหนึ่งของโมดูลนี้และไม่ได้สื่อโดยนัยจากโมดูลนี้

ขอบเขตการเผยแพร่

หน้านี้บันทึกเฉพาะพฤติกรรมที่สังเกตได้จากภายนอกและพื้นผิว API สาธารณะที่รองรับเท่านั้น เส้นทางเนมสเปซภายใน คลาสตัวช่วย ตารางกลไก ชื่อไฟล์ runbook และคำนำหน้าหมายเลขทิกเก็ตอยู่นอกขอบเขต

ดูเพิ่มเติม

• Classifier — การอ้างอิงเชิงลึก — พื้นผิว API สาธารณะทั้งหมด ลำดับไปป์ไลน์ และโหมดความล้มเหลว
• Extraction
• Filter
• Diff