本文介绍了全局表格提取器（GTE），它是一种由视觉引导的系统框架，旨在通过基于自然单元格包含约束的新型罚函数来训练表格网络，以检测表格和单元格结构，结合表格风格，设计一种新的分层单元格检测网络，并定期标记表格和单元格结构以便成为训练数据。实验证明，GTE 在表格检测和单元格结构识别方面超过之前的最先进结果，并且在新的跨域 FinTabNet 数据集上的实验表明，在单元格结构识别方面比 vanilla RetinaNet 的物体检测模型提高了 45% 以上。

May, 2020

本研究旨在解决自然语言处理中未结构化文本与半结构化表之间的关系问题，通过提出基于内容的表的检索方法，应用精心设计的特征和神经网络结构实现查找中最相关表格的目标，并发布了一个包含 21,113 个网络查询和 273,816 个表格的开放领域数据集，验证了该方法的有效性并提出了该任务的挑战。

Jun, 2017

本研究针对表格结构推断和从非结构化文件中提取数据的机器学习问题，提出了一种新的数据集 PubTables-1M，并通过使用一种新颖的规范化程序来解决之前数据集中出现的一个重要问题 —— 过度分割，发现这些改进导致训练性能显着提高，表结构识别的可靠性评估也更加可信，最终会对对象检测产生积极影响。

Sep, 2021

该研究提出了一种从医学文献中的表格中提取数值和文本信息的方法，包括表格检测、功能处理、结构处理、语义标记、语用处理、单元选择和句法处理等七个步骤，F - 度量值范围在 82% - 92% 之间.

Feb, 2019

本文介绍了一种基于目录信息的文档分段方法，提出了基于目录树的文档解析框架，并通过构建人工标注的数据集对该框架进行了实验验证，结果表明该方法在信息检索方面表现良好。

Apr, 2023

本研究提出了一个基于编码器 - 解码器结构的深度学习模型，用于将表格图像转换为 HTML 代码，并使用一种新的基于 Tree-Edit-Distance 相似度（TEDS）度量方法实现表格识别，实验结果表明所提出的模型在复杂表格识别方面具有优秀的表现。

Nov, 2019

本论文探讨了语言模型是否能够支持从复杂表格中进行成本有效的信息提取，并引入了基于架构驱动信息提取的新任务，使用 LLMs 将表格数据转换成遵循人类撰写的架构的结构化记录，并发展了一种 InstrucTE 方法来实现表格抽取，该方法仅需要人工构建的抽取架构，并具备错误恢复策略及高性能，证实了使用更紧凑的抽取模型进行抽取的可行性。

May, 2023

本文提出了 FinTab 数据集，包含 1600 个财务表以及它们在 JSON 表示中的结构，以方便从非结构化数字文件中提取表格。同时，作者还提出了一种基于 GFTE 的图卷积神经网络模型，它将图像特征、位置特征和文本特征集成在一起，用于精确的边缘预测，并取得了总体上不错的结果。

Mar, 2020

在复杂的商务文件中，本文研究了表格检测与提取，提出一种利用单模型提取表格中信息的方法，并使用基于单词框、位置嵌入、可训练文本特征和图形的全面页面表示来解决这个问题。我们建立了一个新的数据集，提供了多种基线方法和新的神经网络模型来解决表格识别问题，并详细分析了图卷积和自注意力对模型性能的影响。

Mar, 2019

通过从 GitHub 中提取的 GitTables 数据集，我们可以训练和评估应用于深度学习的高容量模型，以实现表征模型与关系数据库表相似的表。通过进行语义类型标注、层次关系和来自 Schema.org 和 DBpedia 的描述，我们可以提供人工注释一致的结果，并通过三个应用：语义类型检测模型、模式完成方法以及用于表到知识图谱匹配的基准测试，展示 GitTables 的价值。

Jun, 2021