Dec, 2018

从文档中进行端到端信息提取 -- 出席、复制、解析

PDF
TL;DR本文提出了一种深度神经网络模型 ——Attend，Copy，Parse，该模型可直接在端到端数据上进行训练，跳过了创建复杂的单词级标签的需求，因此被认为在许多现实生活信息提取任务中可以使用。
document information extractionend-to-end datadeep neural network modelword-level labelsinformation extraction tasks
发现论文，激发创造
  • DocParser: 基于端到端的无 OCR 信息提取技术， 用于含丰富视觉元素的文档

    本文提出了基于 DocParser 的 OCR-free 端到端信息提取模型，不同于以往的方法，其能更好地提取具有区别性的字符特征，并在各种数据集上实现了最先进的结果，同时速度比以前的工作还要快。

    Apr, 2023

  • TRIE：端到端文本阅读和信息提取以实现文档理解

    本文提出了一种统一的端到端文本阅读和信息提取网络，通过融合文本阅读的多模态视觉和文本特征来实现信息提取，并且信息提取中的语义有助于优化文本阅读，该方法在真实世界的数据集上表现出比现有方法更高的效率和准确性。

    May, 2020

  • 无需标记级监督的端到端信息提取

    本文提出了一种基于指针网络的端到端模型，可以在不需要 token 级标签的情况下直接从原始文本和输出文本对中训练模型，该模型在 ATIS 数据集、MIT 餐厅语料库和 MIT 电影语料库上进行了评估，并与使用 token 级标签的神经基线进行了比较，取得了与基线几乎相同的竞争结果，证明了在不需要 token 级标签的情况下实现端到端信息提取的可行性。

    Jul, 2017

  • 有限数据下的信息提取迁移学习

    本文提出了一种通过使用转移学习的方法，并结合深度神经网络和统计分类器的结合来进行信息提取，将该方法应用于日本政府工程竞标实际案例的文档处理中，证明了该模型能够提取具有详细信息精度的细粒度命名实体。

    Mar, 2020

  • 基于数据效率的形式文档信息提取

    本文介绍了如何使用少量标记数据和被标记语料库进行转移学习，以实现在规模上自动从表单状文件提取信息。

    Jan, 2022

  • 深度阅读器：通过关系抽取和自然语言从文档图像中提取信息

    这篇论文介绍了一种名为 DeepReader 的新型企业级综合框架，其通过识别文档图像中的视觉实体并在不同实体之间填充元关系模型来促进文档图像中的信息提取，包括从表格、图表、脚注、文本框和标题等视觉实体中提取相关信息。

    Dec, 2018

  • 半结构化文档图像的高性价比端到端信息提取

    本文提出了通过将文档信息抽取 (IE) 作为序列生成任务的方式，将现有的基于流水线的 IE 系统转变为端到端系统的尝试，着重解决了大规模实际部署所涉及的实际挑战，并证明了单个端到端 IE 系统仍然能够实现竞争性能。

    Apr, 2021

  • DocParseNet：高级语义分割和 OCR 嵌入用于高效扫描文档标注

    DocParseNet 是一种将深度学习和多模态学习相结合的模型，通过处理文本和图像数据来自动化扫描文档的标注，实现了快速而准确的文档注释以及在语义处理方面的突破。

    Jun, 2024

  • 语义解析的深度体系结构

    本文介绍了一种新颖的深度学习架构，通过将两个语言语义的神经模型相结合，提供了一个语义分析系统，无需解析即可从自然语言语句和问题中生成本体库特定的查询，使其特别适用于语法错误或句法非典型的文本，例如 Twitter，也允许开发受资源限制的语言的语义解析器。

    Apr, 2014

  • 阅读、参考和评论：用于自动新闻评论的深度架构

    本文探讨了自然语言生成的技术，并提出了基于 “读 - 关注 - 评价” 流程的新闻评论自动化生成方法，通过阅读网络和生成网络来理解新闻文章并生成评论。实验结果表明，该模型在自动评估和人类判断方面明显优于现有方法。

    Sep, 2019