May, 2024

KVP10k: 商业文件中键值对提取的全面数据集

PDF
TL;DR最近几年来，从商业文件中提取信息的挑战已成为一项关键任务，在许多领域找到了应用。本文引起了工业界和学术界的广泛兴趣，突显了其在当前技术环境中的重要性。与大多数现有数据集和基准不同，我们的重点是在没有预先定义的键的情况下发现键值对，通过导航复杂模板和布局的数组来提取信息。为了弥补这一差距，我们介绍了 KVP10k，一个专门设计用于 KVP 提取的新数据集和基准。该数据集包含 10707 个丰富注释的图像。在我们的基准中，我们还引入了一个新的具有 KIE 和 KVP 元素的具有挑战性的任务。KVP10k 以其广泛的数据多样性和详细的注释而独树一帜，为从复杂商业文件中提取信息的领域的进展铺平了道路。
information extractionbusiness documentskey-value pairsdatasetkvp10k
发现论文，激发创造
  • LDKP: 从长篇科技文档中鉴别关键词短语的数据集

    该研究发布了两份研究文献语料库，包括约 130 万篇和 10 万篇科学论文的完整抽取文本和附加元数据，有助于实现从科学文章中提取关键短语的任务。

    Mar, 2022

  • RealKIE: 为企业关键信息提取设计的五个新数据集

    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

  • SPair-71k：用于语义对应的大规模基准测试数据集

    该论文提出一种新的大规模基准数据集 SPair-71k 用于在计算机视觉领域解决语义对应问题，其中包含大量变化视角和尺度的图像，从而为解决语义对应问题提供了可靠的测试基础和促进此领域的进一步发展。

    Aug, 2019

  • 一种基于问答的表单图像键值对提取方法

    本文提出了一种新的基于问题回答的键值对提取方法 KVPFormer，使用 Transformer 编码器识别关键实体，通过 Transformer 解码器预测对应的答案，并进一步提出了粗细阶段答案预测方法和空间兼容性注意力偏差方法，从而在 FUNSD 和 XFUND 数据集上取得了优于先前最佳方法的 7.2％和 13.2％的 F1 得分，获得最新的结果。

    Apr, 2023

  • Kleister：涉及复杂版式的长文档关键信息抽取数据集

    引入了 Kleister NDA 和 Kleister Charity 两组数据集，综合文本和结构排版特征去识别和推理各种类型的实体，包括机构、人物和时间等，通过对 Flair、BERT、RoBERTa、LayoutLM 和 LAMBERT 等多个 KIE 领域基线系统的测试，得出我们的数据集对于现有模型具有很强的挑战性，并提供数据集以促进更深入和复杂的信息提取任务。

    May, 2021

  • KPTimes：一份针对新闻文档的大规模关键词生成数据集

    本文介绍了 KPTimes 数据集，该数据集为新闻文本配对了编辑策划的关键词汇，并培训和评估了最先进的神经关键词生成模型，以获得其在新闻领域表现的深入洞见。

    Nov, 2019

  • Products-10K：一项大规模产品识别数据集

    电子商务日益发展，零售 AI 系统需要自动识别高准确度的 SKU 级别的产品，本研究构建了一个包含 10,000 个人工标注细粒度 SKU 级别产品的图像数据集，并针对细粒度产品识别提出了多种有用的技巧。

    Aug, 2020

  • VisionKG：通过知识图谱释放视觉数据集的力量

    我们提出了一种基于知识图谱和语义网络技术的 Vision Knowledge Graph（VisionKG），用于链接、组织和管理具有异构特征的视觉数据集，提供简单访问和查询不同格式和分类法的最新视觉数据集，增强语义丰富性并通过 SPARQL 提供多种数据检索与探索服务，集成了 30 个数据集和四个流行 CV 任务，展示了在 CV 流程中的多种应用场景。

    Sep, 2023

  • BuDDIE：一个用于多任务信息提取的商业文档数据集

    通过介绍 BuDDIE（商业文档信息抽取数据集），本文提供了一个包含丰富且稠密注释的多任务数据集，其中包含 1,665 个现实世界商业文档。该数据集涵盖了文档分类、关键实体提取和视觉问答等多个任务，并提供了每个任务的基线结果。

    Apr, 2024

  • 语言模型以外的开放领域网页关键词提取

    本文研究了针对真实情况下的关键词提取，其中文档来自不同领域，内容质量变化巨大。我们精心编排并发布了 OpenKP，一个大规模的开放领域关键字提取数据集，近十万个网络文档和专家关键字注释。我们开发了一种名为 BLING-KPE 的神经关键词提取模型，它通过文档的视觉呈现和来自搜索查询的弱监督超越了语言理解，以处理域和内容质量的变化。在 OpenKP 上的实验结果证实了 BLING-KPE 和其神经结构、视觉特征和搜索日志弱监督的效果。与特定领域相比，从开放领域数据中学习的零 - shot 评估表明了其改进的泛化能力。

    Nov, 2019