【第十三届“泰迪杯”数据挖掘挑战赛】【2025泰迪杯】【思路篇】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

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”