A Relational Triple Extraction Method Based on Feature Reasoning for Technological Patents
基于表格填充的关系三元组抽取方法可以解决关系重叠和偏差传播问题。但大多数都只是为每种关系建立单独的表特征，忽略了不同实体对和不同关系特征之间的隐含关系。为此，提出一种基于表格填充的技术专利特征推理关系三元组提取方法，探索实体识别与实体关系的融合，从多源科技专利数据中提取实体关系三元组。与以往的方法相比，本文提出的关系三元组抽取方法具有以下优点：1）采用表格填充方法，节省了运行空间，提高了模型的速度和效率。2)基于已有的标记对和表关系特征，对隐含关系特征进行推理，提高三元组抽取的准确率。在五个基准数据集上，我们评估了我们建议的模型。结果表明，我们的模型是先进和有效的，它表现出良好的这些数据集上的大多数。
2022-10-07 cs.IR
TabLeX: A Benchmark Dataset for Structure and Content Information Extraction from Scientific Tables
Indian Institute of Technology, Gandhinagar（印度理工学院甘地讷格尔分校）
由于复杂的表格表示和复杂的嵌入文本，从科学文章中的表格中提取信息抽取（IE）具有挑战性。本文介绍了TabLeX，一个大规模的基准数据集，包括从科学文章中生成的表格图像。TabLeX包含两个子集，一个用于表结构提取，另一个用于表内容提取。每个表格图像都附有相应的LATEX源代码。为了促进强大的表格IE工具的开发，TabLeX包含不同宽高比和各种字体的图像。我们的分析揭示了当前最先进的表格提取模型的缺点，并表明它们即使在简单的表格图像上也会失败。最后，我们尝试使用基于transformer的现有基线来报告性能分数。与静态基准相比，我们计划定期使用更复杂和多样化的表来增强这个数据集。
2021-05-12 cs.IR cs.LG
Tablext: A Combined Neural Network And Heuristic Based Table Extractor
今天可用的数据有很大一部分是在表格中找到的。因此，在进行数据挖掘时，需要使用自动化的表抽取来获得全面的结果。目前流行的表格提取方法很难充分提取具有机器可读文本和结构数据的表格。更糟糕的是，许多表没有机器可读的数据，例如保存为图像的表，这使得大多数提取方法完全无效。为了解决这些问题，一个新的，通用的格式表提取工具，Tablext，提出。该工具结合了计算机视觉技术和机器学习方法，可以高效地识别和提取表格中的数据。Tablext首先使用自定义卷积神经网络（CNN）来识别和分离所有潜在的表。通过将自定义CNN与YOLO目标检测网络相结合，优化了识别过程。然后，用计算机视觉方法识别每个表的高层结构。另一个CNN使用这种高级结构元数据来识别确切的细胞位置。作为最后一步，对每个单元格执行光学字符识别（OCR），以提取其内容，而无需机器可读的文本。这种多阶段算法允许神经网络专注于完成复杂的任务，同时让图像处理方法有效地完成简单的任务。这使得所提出的方法足够通用，可以处理大量的表，而不管它们的内部编码或布局复杂性如何。此外，它变得足够准确，可以在ICDAR 2013表格数据集上超越竞争对手的最先进表格提取器。
2021-04-22 cs.IR
Identifying Web Tables - Supporting a Neglected Type of Content on the Web
互联网上丰富的数据为提取和处理工具的改进提供了便利。开放数据发布的趋势鼓励采用CSV和RDF等结构化格式。然而，Web上仍然存在大量的非结构化数据，我们假设这些数据包含语义。出于这个原因，我们提出了一种方法来获得语义的Web表，这仍然是最流行的发布工具在Web上。本文还讨论了非结构化数据提取和处理的方法和服务，以及机器学习技术，以加强这样的工作流程。最终的结果是一个框架来处理，发布和可视化链接的开放数据。该软件可以从HTML格式的各种开放数据源中提取表格，并自动导出为RDF格式，使数据链接。本文还给出了评估的机器学习技术结合字符串相似性函数应用于表格识别任务。
2015-03-23 cs.IR
An Annotated Corpus of Webtables for Information Extraction Tasks
信息抽取是自然语言处理的一个研究良好的领域，其在网络搜索和问答中的应用涉及识别在给定上下文中表达的实体和它们之间的关系，通常是一段连续文本的句子。鉴于这项任务的重要性，多年来已经策划了几个数据集和基准。然而，仅关注运行文本会遗漏表格，这些表格在许多结构化文档中是常见的，并且其中实体对也在上下文中共同出现（例如，表的同一行）。虽然有最近的论文关系抽取从表中的文献，他们的实验评估一直在特设的数据集缺乏一个标准的基准。本文有助于缩小这一差距。我们引入了一个注释框架和一个来自维基百科的217,834个表的数据集，这些表用28个关系进行注释，使用分类器和精心设计的查询参考知识图谱。然后将二进制分类器应用于结果数据集以消除误报，从而使平均注释准确率达到94%。由此产生的数据集是第一个公开提供的此类数据集。
2020-11-16 cs.IR
Automated Extraction of Pharmacokinetic Parameters from Structured XML Scientific Articles: Enhancing Data Accessibility at Scale
Kansas State University（堪萨斯州立大学）；University of California-Davis（加州大学戴维斯分校）
本文提出通过自动化机器学习模型提取科学文章中结构化XML中的药代动力学参数，以解决大规模数据中数据收集的挑战。
2026-04-22 cs.IR
Relation Extraction from Tables using Artificially Generated Metadata
Amazon（亚马逊）
从表中提取关系抽取（RE）是识别表中列对之间关系的任务。通常，用于此任务的RE模型需要标记表进行训练。这些标记的表格也可以从知识图谱（KG）中人工生成，这使得获取它们的成本比手动注释低得多。然而，与真实表不同，这些合成表缺乏相关联的元数据，诸如列标题、标题等;这是因为合成表是从不存储这样的元数据的KG创建的。同时，以前的工作表明，元数据是重要的准确RE从表。为了解决这个问题，我们提出了一些方法来人为地创建一些合成表的元数据。之后，我们实验了一个基于BERT的模型，与最近发表的作品一致，该模型将建议的人工元数据和表内容的组合作为输入。我们的实证结果表明，这导致在F1分数的改善9%-45%，在绝对值，超过2个表格数据集。
2021-09-06 cs.CL cs.IR
Client-Driven Content Extraction Associated with Table
LORIA - Université de Lorraine（洛林大学洛林计算机研究所）
该项目的目标是根据学习到的模式在文档图像中提取表格内的内容。现实世界的用户，即，客户首先在表中提供一组他们认为重要的关键字段。这些首先用于表示图，其中节点被标记有包括其他特征的语义，并且边缘被归因于关系。属性关系图（ARG），然后挖掘相似的图从文档图像。每个挖掘的图将表示表中的一个项，因此一组这样的图将组成一个表。我们已经通过使用一个现实世界的工业问题验证了这个概念。
2013-04-06 cs.CV cs.IR
Tables to LaTeX: structure and content extraction from scientific tables
Indian Institute of Technology Gandhinagar（甘地纳格尔印度理工学院）
科学文档包含以简洁的方式列出重要信息的表格。从PDF研究文档中嵌入的表格中提取结构和内容是一项非常具有挑战性的任务，因为存在诸如跨越单元格的视觉特征和诸如数学符号和方程的内容特征。现有的大多数表格结构识别方法往往忽略了这些学术写作特征。在本文中，我们适应基于transformer的语言建模范式的科学表结构和内容提取。具体来说，该模型将表格图像转换为相应的LaTeX源代码。总的来说，我们的表现优于当前最先进的基线，并在表结构和内容提取上分别实现了70.35%和49.69%的精确匹配精度。进一步的分析表明，所提出的模型有效地识别行数和列数，字母数字字符，LaTeX令牌和符号。
2022-10-31 cs.AI cs.CV cs.IR
A Conglomerate of Multiple OCR Table Detection and Extraction
Birla Institute of Technology, Patna（比拉理工学院巴特那分校）；Birla Institute of Technology, Mesra（比拉理工学院梅斯拉分校）
用表格表示信息是一种紧凑而简洁的方法，可以简化搜索、索引和存储要求。从可解析文档中提取和克隆表更容易且应用广泛，但行业在从OCR文档或图像中检测和提取表方面仍面临挑战。本文提出了一种从OCR文档中检测和提取多表的算法。该算法使用图像处理技术、文本识别和程序编码的组合来识别同一图像中的不同表格，并将文本映射到可存储为逗号分隔值、数据库、Excel和多种其他可用格式的点阵中的适当的对应单元格。
2020-10-16 cs.AI cs.IR
RAPTOR: Refined Approach for Product Table Object Recognition
Yooz；La Rochelle Université（拉罗谢尔大学）
RAPTOR是一个模块化后处理系统，通过遗传算法优化参数，增强DETR和TATR模型，解决产品表格检测与结构识别中的常见错误，在私有和公共数据集上提升精度与结构预测性能。
2025-02-24 cs.AI cs.CV cs.IR
Extraction of Product Specifications from the Web -- Going Beyond Tables and Lists
Clustr（Clustr 公司）
网络上的电子商务产品页面通常以结构化表格块的形式呈现产品规格数据。这些产品属性值规范的提取有益于产品目录管理、搜索、问答等应用。然而，在不同的网站中，有各种各样的HTML元素（如<table><ul>，<div><span><dl>等）。通常用于渲染这些块，这使得它们的自动提取成为一个挑战。目前的研究主要集中在从表格和列表中提取产品规格，因此，当应用于大规模提取设置时，会出现召回问题。在本文中，我们提出了一种产品规格提取方法，超越表格或列表，并概括了用于渲染规格块的各种HTML元素。使用手工编码的特征和深度学习的空间和令牌特征的组合，我们首先识别产品页面上的规格块。然后，我们提取产品的属性值对从这些块以下的方法启发包装归纳。我们创建了一个产品规格的标记数据集，这些数据集是从一系列不同产品网站的14，111个不同规格块中提取的。我们的实验表明，我们的方法相比，目前的规格提取模型的有效性，并支持我们的要求，其应用于大规模的产品规格提取。
2022-01-08 cs.IR cs.LG
PulseBench-Tab: A Multilingual Benchmark for Table Extraction with Graph-Based Evaluation
Pulse AI；Georgia Institute of Technology（佐治亚理工学院）；S&P Global, Enterprise Data Organization（S&P全球企业数据部门）
提出包含9种语言、1820个标注表格的多语言基准PulseBench-Tab，并设计基于单元格邻接有向图的新评估指标T-LAG，通过最优二分匹配统一衡量结构和内容保真度。
2026-04-21 cs.CL cs.IR
HTML-LSTM: Information Extraction from HTML Tables in Web Pages using Tree-Structured LSTM
Graduate School of Informatics, Kyoto University（京都大学情报学研究科）；Sony Group Corporation（索尼集团公司）
本文提出HTML-LSTM方法，通过扩展树结构LSTM融合语言与结构信息，将结构不同但内容相似的多个HTML表格整合为单一表格，以支持跨网页信息检索。
2024-09-28 cs.IR cs.LG
TableZa -- A classical Computer Vision approach to Tabular Extraction
Synechron Innovation Lab（Synechron创新实验室）
计算机辅助表格数据提取一直是一个非常具有挑战性和容易出错的任务，因为它要求数据的光谱和空间健全性。在本文中，我们讨论了一种方法，表格数据提取领域的文件理解。鉴于不同种类的表格格式，经常发现在各种文件，我们讨论了一种新的方法，使用计算机视觉提取表格数据从图像或矢量PDF（S）转换为图像（S）。
2021-05-19 cs.CL cs.CV cs.IR
TASER: Table Agents for Schema-guided Extraction and Recommendation
J.P. Morgan AI Research（摩根大通人工智能研究）
TASER 是一种持续学习的表格提取与推荐系统，通过模式引导提升复杂表格数据的提取效率和准确性。
2026-02-23 cs.AI cs.CL cs.IR
Knowledge in Triples for LLMs: Enhancing Table QA Accuracy with Semantic Extraction
针对传统方法难以处理半结构化表格语义的问题，提出从表格提取三元组结合RAG增强微调GPT-3.5-turbo-0125的方法，在FeTaQA数据集上多项指标优于基线，提升表格问答效果。
2024-10-29 cs.CL cs.IR
MatSKRAFT: A framework for large-scale materials knowledge extraction from scientific tables
Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度德里理工学院亚迪人工智能学院）；Department of Civil Engineering, Indian Institute of Technology Delhi（印度德里理工学院土木工程系）；Department of Computer Science and Engineering, Indian Institute of Technology Delhi（印度德里理工学院计算机科学与工程系）
介绍MatSKRAFT框架，能从表格数据中自动提取整合材料科学知识。核心方法是转化表格为基于图的表示，用约束驱动GNN处理。贡献是性能超当代前沿模型，构建含大量条目的综合数据库，揭示新关系。
2026-07-07 cond-mat.mtrl-sci cs.IR
DiSCoMaT: Distantly Supervised Composition Extraction from Tables in Materials Science Articles
Indian Institute of Technology Delhi（印度理工学院德里分校）
针对材料科学论文表格的成分提取难题，研究者定义了新NLP任务，发布含4408个远监督表格及1475个人工标注表格的数据集，提出结合图神经网络与任务特定正则等的DISCOMAT基线，性能显著优于现有架构。
2024-01-28 cond-mat.mtrl-sci cs.CL cs.IR
A Benchmark of PDF Information Extraction Tools using a Multi-Task and Multi-Domain Evaluation Framework for Academic Documents
从学术PDF文档中提取信息对于许多索引，检索和分析用例至关重要。选择提取特定内容元素的最佳工具是困难的，因为有许多技术上不同的工具可用，但最近的性能基准测试很少。此外，这些基准通常只覆盖少数内容元素，如标题元数据或书目参考，并使用来自特定学科的较小数据集。我们提供了一个大型且多样化的评估框架，支持比大多数相关数据集更多的提取任务。我们的框架建立在DocBank上，DocBank是一个多域数据集，包含从arXiv上50万页研究论文中提取的150万个注释内容元素。使用新的框架，我们基准测试10个免费提供的工具，从学术PDF文档中提取文档元数据，书目参考，表格和其他内容元素。GROBID实现了最好的元数据和引用提取结果，其次是CERMINE和Science Parse。对于表提取，Adobe Extract的性能优于其他工具，尽管其性能远低于其他内容元素。所有工具都很难提取列表、页脚和等式。我们的结论是，有必要对改进和组合工具进行更多的研究，以实现令人满意的提取质量，为大多数内容元素。像我们提出的评估数据集和框架支持这一研究路线。我们公开我们的数据和代码，以实现这一目标。
2023-03-17 cs.IR
Statements: Universal Information Extraction from Tables with Large Language Models for ESG KPIs
IBM Research（IBM研究院）
本文提出Statements数据结构和表格转statement的通用信息抽取任务，构建超10万标注表格的SemTabNet数据集，基于T5模型在ESG报告表格上实现82%的抽取相似度，显著优于基线。
2024-06-27 cs.AI cs.CL cs.IR
Beyond String Matching: Semantic Evaluation of PDF Table Extraction
Institute for Machine Learning and Analytics (IMLA)（机器学习与分析研究所）；Offenburg University（奥芬堡大学）；University of Mannheim（曼海姆大学）
提出基于LLM-as-a-judge的语义评估框架，通过合成PDF和人工验证，显著优于现有规则指标（TEDS、GriTS），并评估了21种PDF解析器。
2026-06-01 cs.AI cs.CV cs.IR
tabulapdf: An R Package to Extract Tables from PDF Documents
tabulapdf 是一个利用 Tabula Java 库将 PDF 表格直接导入 R 的 R 包，支持自动与通过 Shiny 界面的手动提取，有效降低数据提取的时间与精力。
2024-08-25 cs.DL cs.IR
TalentMine: LLM-Based Extraction and Question-Answering from Multimodal Talent Tables
Amazon（亚马逊）
针对人才管理系统中复杂表格语义关系丢失导致检索失败的问题，提出基于LLM增强的TalentMine框架，通过多模态推理生成语义丰富的表格表示，在问答任务中实现100%准确率。
2025-06-22 cs.AI cs.CV cs.IR
Landmarks and Regions: A Robust Approach to Data Extraction
我们提出了一种新的方法来提取数据项或字段值的半结构化的文件。这样的问题的示例包括从旅行行程中提取乘客姓名、出发时间和出发机场，或者从购买收据中提取物品的价格。传统的数据提取方法使用机器学习或程序合成来处理整个文档以提取所需的字段。这样的方法对于文档中的格式改变是不鲁棒的，并且即使对文档的与所期望的感兴趣的字段无关的部分进行改变，提取过程通常也失败。我们提出了一种新的方法来提取数据的基础上的地标和区域的概念。人类通常在文档的手动处理中使用地标来放大并将其注意力集中在文档中感兴趣的小区域上。受这种人类直觉的启发，我们在程序合成中使用地标的概念来自动合成提取程序，该提取程序首先提取感兴趣的小区域，然后在后续步骤中从该区域自动提取所需的值。我们已经实现了我们的地标为基础的提取方法在一个工具LRSyn，并显示在HTML文档以及发票和收据的扫描图像的广泛评价。我们的研究结果表明，我们的方法是强大的各种类型的格式变化，经常发生在现实世界中的设置。
2022-04-11 cs.IR cs.PL cs.SE
Relational Extraction on Wikipedia Tables using Convolutional and Memory Networks
University of Alberta（阿尔伯塔大学）
针对维基百科表格中的关系抽取，提出结合 CNN 与 BiLSTM 的神经模型，实验显示其性能稳定优于既有方法，并通过消融与错误分析验证各组件贡献。
2023-07-11 cs.AI cs.CL cs.IR
Integrating and querying similar tables from PDF documents using deep learning
企业产生的大量公共数据都是半结构化的PDF格式。从PDF格式的报告和其他已发布数据中提取表格数据对于各种数据合并目的（例如分析和汇总公司的财务报告）是有意义的。转换成PDF格式的结构化表格数据，通常会以非结构化的方式通过文本匹配等方式进行处理。这主要是由于PDF文档的二进制格式针对布局和渲染进行了优化，并且对数据的自动解析没有很大的支持。此外，即使PDF文件中的相同表类型在模式、行或列标题中也会有所不同，这使得查询计划难以覆盖所有相关表。本文提出了一种基于深度学习的方法，使SQL类查询和分析的PDF格式的年度报告中的财务表。这是通过表类型分类和最近行搜索来实现的。我们证明了使用在Google新闻上训练的词嵌入进行标题匹配明显优于传统数据库中基于文本匹配的方法。我们还介绍了一个实用的系统，使用这种技术来查询和分析来自各种来源的PDF文档中的财务表。
2019-01-15 cs.IR
An agentic system with reinforcement-learned subsystem improvements for parsing form-like documents
Institute of Business Administration Karachi, Pakistan（巴基斯坦卡利亚克大学商学院）；Coventry University（科文特大学）
针对传统表单类文档提取方法提升潜力有限的问题，提出融合LLM智能体与RL驱动智能体的模块化多智能体自校正系统，可从错误中学习优化提取流程，在两个基准数据集上取得良好效果。
2025-05-16 cs.AI cs.IR cs.MA
TRACE: Target-Aware Retrieval, Attributed Evidence, and Contract-Constrained Extraction for LitTraceQA
TRACE通过目标分组检索、证据定位与契约约束抽取，解决LitTraceQA中源访问与评分可见正确性之间的差距，在官方测试集上取得0.760613的综合得分。
2026-10-01 cs.CL cs.DL cs.IR
FA Team at the NTCIR-17 UFO Task
Fast Accounting Co., Ltd.（Fast Accounting 株式会社）；FA Research, Fast Accounting Co., Ltd.（FA Research，Fast Accounting 株式会社）
本文介绍FA团队在NTCIR-17 UFO任务中基于ELECTRA的表格数据抽取方法，TDE准确率达93.43%排名第二，并在TTRE任务中提出基于规则的关系抽取方法。
2023-10-31 cs.CL cs.IR
A Comparative Study of PDF Parsing Tools Across Diverse Document Categories
本研究使用DocLayNet数据集比较了10种PDF解析工具在6类文档上的文本提取与表格检测能力，发现工具表现因文档类型而异，强调需根据任务和文档类型选择合适工具。
2025-04-03 cs.DL cs.IR
Pre-Inference Routing for Cost-Efficient Document Field Extraction
该研究提出推理前路由方法，利用文档级信号在低成本与强提取器间选择，可在保持提取质量的同时降低特定文档类型的提取成本，且仅在满足两条件时有效。
2026-08-10 cs.CL cs.IR cs.LG
Automated Early Leaderboard Generation From Comparative Tables
排行榜是一个表格，展示了解决特定科学问题的最佳竞争技术的表现得分。手动维护的排行榜需要时间才能出现，这会导致性能发现和有意义的比较延迟。这可能会延迟向非专家和从业人员传播最佳做法。关于代理的技术文件，我们提出了一个新的系统，自动发现和维护排行榜的形式之间的部分订单的文件，其中报告的性能为基础。原则上，排行榜取决于任务、数据集、其他实验设置和性能指标的选择。不同的度量标准之间往往也存在权衡。因此，排行榜发现不仅仅是准确提取性能数据并进行比较的问题。事实上，性能比较的噪声和不确定性水平如此之大，以至于可靠的传统提取是不可行的。我们通过使用论文中相对清晰、结构化的部分来减轻这些挑战，例如，性能表。我们提出了一种新的性能改进图的论文作为节点，边编码噪声性能比较信息提取表。每个单独的性能优势都是从包含其他论文引用的表格中提取的。这些提取类似于在不完全锦标赛中的“比赛”的（噪声）结果。我们提出了几种方法来排名这些嘈杂的“匹配”结果的文件。我们表明，我们的排名方案可以很好地再现各种手动策划的排行榜。使用广泛使用的国家的最先进的论文列表中的27个领域的计算机科学，我们证明了我们的系统产生非常可靠的排名。
2019-02-20 cs.DL cs.IR
Schemaless Queries over Document Tables with Dependencies
IBM Research（IBM研究院）；Google, Inc.（谷歌公司）
非结构化的企业数据，如报告、手册和指南，通常包含表格。从这些表中集成数据的传统方法是通过两步过程：表检测/提取和将表布局映射到适当的模式。这可能是一个昂贵的过程。在本文中，我们表明，通过使用语义技术（RDF/SPARQL和数据库依赖）配对一个简单但强大的方式来转换表与非关系布局，它可以提供查询应答服务，这些表与最少的手工工作或特定于域的映射。我们的方法使用户能够利用嵌入在文档中的表中的数据，很少的努力，不仅对于简单的检索查询，而且对于结构化查询，需要加入多个相互关联的表。
2019-11-21 cs.AI cs.DB cs.IR
Information Extraction From Fiscal Documents Using LLMs
Google Inc（谷歌公司）
本文提出利用大语言模型从多页财政文件中提取结构化数据的方法，通过多阶段流程实现高准确性，利用财政表格的层次结构进行内部验证，为发展中国家的财政数据处理提供新方案。
2025-11-24 cs.CL cs.IR
The future of document indexing: GPT and Donut revolutionize table of content processing
Dreeven Technologies Inc（德雷文技术公司）
针对工业规范文档人工提取结构化信息效率低的问题，提出结合Donut与GPT-3.5 Turbo的目录自动提取结构化方法，分别取得85%、89%的准确率，革新文档索引流程。
2024-03-12 cs.AI cs.CV cs.IR
Open Tabular Insight Extraction: Where Do We Stand, and Where Should We Go?
Centrum Wiskunde & Informatica（数学与计算机科学研究中心）；University of Amsterdam（阿姆斯特丹大学）
本文提出开放表格洞察提取（OpenTI）框架，整合多社区术语，系统回顾现有系统与基准，指出其未覆盖端到端范围且不适于开放评估，并提炼研究议程以推动该领域发展。
2026-10-14 cs.AI cs.CL cs.DB
Benchmarking Open-Source Layout Detection Models for Data Snapshot Extraction from Institutional Documents
Development Data Group Office of the World Bank Group Chief Statistician（世界银行发展数据分析组办公室世界银行统计主任）；The World Bank（世界银行）
针对机构文档中图表数据快照提取任务，构建基准数据集并评估多个开源布局检测模型，发现现有模型在操作型文档上泛化能力不足，存在内容混淆、碎片化及上下文缺失等问题。
2026-06-04 cs.AI cs.CL cs.CV
Comparing Machine Learning Approaches for Table Recognition in Historical Register Books
Bischöfliches Ordinariat（主教公署）；TU Wien（维也纳工业大学）；Passau Computer Vision Lab（帕绍计算机视觉实验室）；Naver Labs Europe（Naver欧洲实验室）；Archiv des Bistums Passau（帕绍教区档案馆）
我们提出了在本文中的实验表识别手写登记簿。我们首先解释如何对行和列检测问题进行建模，然后比较两种用于检测这些表元素的机器学习方法（条件随机场和图卷积网络）。对帕绍教区档案馆提供的死亡记录进行了评估。两种方法显示出相似的结果，89 F1分数，允许信息抽取的质量。软件和数据集都是开源/数据。
2019-06-14 cs.CV cs.IR cs.LG
StructText: A Synthetic Table-to-Text Approach for Benchmark Generation with Multi-Dimensional Evaluation
IBM Research（IBM研究院）
针对现有文本结构化提取基准匮乏、人工构建成本高的问题，提出StructText两阶段合成基准框架，结合多维度评估策略保障数据一致性，实验验证了LLM的优劣势并发布全套工具支持后续研究。
2025-07-28 cs.AI cs.CL cs.DB
