该文介绍了使用图形学习与图形卷积操作相结合的 PICK 框架，以处理 KIE 中复杂文档布局，从而获得包含文本和视觉特征和全局布局的更丰富的语义表示，并通过实验表明了该方法的性能优于基线方法。

Apr, 2020

本文研究信息提取的问题，探讨了文档信息提取问题、数据集、基准测试等方面，提出了机器学习中的关键信息定位、提取和条目识别问题，并批评了目前缺乏半结构化商务文档的相关数据集和基准测试。

Jun, 2022

本文提出了一种基于端到端文档分类和关键信息提取的表格自动处理方法，其中采用了文本和布局编码技术，利用余弦相似度度量来对视觉上相似的文档进行分类，进而使用混合整数规划来提取文档中的关键信息，实验表明本方法对于文档预处理等优化技术具有重要作用，并取得了令人满意的实验效果。

Jun, 2023

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

DeepKE 是一款开源的知识提取工具，支持复杂的低资源、文档级别和多模态场景。它实现了各种信息提取任务，包括命名实体识别、关系提取和属性提取。

Jan, 2022

提出了一种名为 GenKIE 的新型生成式端到端模型，利用多模态编码器嵌入视觉、版面布局和文本特征，并利用解码器生成所需的输出，从而解决了来自扫描文档的关键信息抽取任务。实验证明 GenKIE 能够有效泛化到不同类型的文档，并在 OCR 错误方面表现出鲁棒性，因此在实际场景中具有广泛的应用前景。

Oct, 2023

这篇综述研究对最近的文档级信息抽取文献进行了系统回顾，通过与当前最先进的算法进行彻底的错误分析，确定它们的局限性以及文档级信息抽取任务的剩余挑战，包括标签误差、实体关联解析和缺乏推理，严重影响文档级信息抽取的性能。本综述的目标是为 NLP 研究人员提供更多见解，帮助进一步提高文档级信息抽取的性能。

Sep, 2023

采用两级神经推理方法和预训练深度神经网络，通过逻辑推理来学习实体和关系，生成抽取方案，从而解决发票、帐单、收据等文档图像信息提取的问题。

Jun, 2019

通过差分隐私、联邦学习和差分隐私联邦学习的大型预训练文档基础模型，我们介绍了开发私有键信息提取（KIE）系统的策略。通过在六个基准数据集上的广泛实验，我们证明了大型文档基础模型可以在私有环境下进行有效微调，以实现足够的性能并保持强大的隐私保证。最后，我们引入了一种名为 FeAm-DP 的新型 DP-FL 算法，它能够将全局差分隐私从独立环境有效地扩展到多客户联邦环境。总体而言，我们的研究为私有 KIE 系统的开发提供了宝贵的见解，并凸显了文档基础模型在隐私保护文档 AI 应用中的潜力。

Oct, 2023

RealKIE 是一个具有五个具有挑战性数据集的基准测试，旨在推进关键信息提取方法，重点关注企业应用。这些数据集包括一系列不同类型的文档，包括 SEC S1 文件，美国保密协议，英国慈善报告，FCC 发票和资源合同。除了介绍这些数据集外，我们还提供了详细的注释过程、文档处理技术和基准建模方法的描述，以促进开发能处理实际挑战并支持研究产业特定问题的信息提取技术的进一步研究。

Mar, 2024