Information Extraction from Visually Rich Documents using LLM-based Organization of Documents into Independent Textual Segments
Amazon（亚马逊）
针对现有视觉富文档信息提取方法推理弱、泛化差等问题，提出基于LLM的BLOCKIE方法，将文档组织为独立语义块处理，F1分数提升1-3%，鲁棒性和隐式信息提取能力更强。
2025-05-18 cs.AI cs.IR
Business Document Information Extraction: Towards Practical Benchmarks
从半结构化文档中提取信息抽取对于无摩擦的企业对企业（B2B）通信至关重要。虽然与文档信息抽取（IE）相关的机器学习问题已经研究了几十年，但许多常见的问题定义和基准并不反映特定领域的方面和自动化B2B文档通信的实际需求。我们回顾了文档IE问题，数据集和基准的景观。我们强调了常见定义中缺少的实际方面，并定义了关键信息定位和提取（KILE）和行项目识别（LIR）问题。由于半结构化业务文档的内容通常受到法律保护或敏感，因此缺乏文档IE的相关数据集和基准。我们讨论了可用文件的潜在来源，包括合成数据。
2022-06-20 cs.AI cs.CV cs.IR
Authoring and Management of Transparent Research Integrity Assessments of Randomised Clinical Trial Publications Using LLM-assisted Tools and Provenance Knowledge Graphs
Interdisciplinary Institute, University of Aberdeen（阿伯丁大学跨学科研究所）；University of Aberdeen（阿伯丁大学）；Indiana University（印第安纳大学）；University of Manchester（曼彻斯特大学）；Aberdeen Centre for Evaluation, University of Aberdeen（阿伯丁大学阿伯丁评估中心）；University of Auckland（奥克兰大学）
本文介绍了基于LLM的INSPECT-AI工具，结合INSPECT-SR框架与RIPE-O本体，生成含140项评估的RIPE-KG，用于辅助人工评估已发表RCT的研究完整性。
2026-08-10 cs.AI
End-to-End Document Classification and Key Information Extraction using Assignment Optimization
Aflac Northern Ireland（北爱尔兰美国家庭人寿保险公司）
提出端到端文档分类与 KIE 方法，结合文本版面编码、余弦相似度及混合整数分配优化，在噪声扫描表单上取得 0.97 分类 f1 和 0.94 KIE 平均 f1。
2023-06-01 cs.AI cs.IR cs.LG
Clinical Document Metadata Extraction: A Scoping Review
University of Minnesota（明尼苏达大学）；Mayo Clinic（妙佑医疗国际）；University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）；Oregon Health & Science University（俄勒冈健康与科学大学）
本文综述了临床文档元数据提取的研究，分析了方法学趋势和应用，并指出了未来研究方向。
2025-12-28 cs.AI cs.CL cs.IR
A Span Extraction Approach for Information Extraction on Visually-Rich Documents
Cinnamon AI（辛纳蒙人工智能公司）；Hung Yen University of Technology and Education（兴安技术教育大学）
视觉丰富文档（VRD）的信息抽取（IE）由于采用了基于transformer的语言模型，最近已经达到了SOTA性能，这显示了预训练方法的巨大潜力。在本文中，我们提出了一种新的方法，以提高语言模型预训练的VRD的能力。首先，我们介绍了一个新的基于查询的IE模型，采用跨度提取，而不是使用常见的序列标记方法。其次，为了进一步扩展跨度提取公式，我们提出了一个新的训练任务，重点是对文档中语义实体之间的关系进行建模。此任务允许递归提取目标跨度，并可用于预训练模型或作为IE下游任务。三个数据集的流行的商业文件（发票，收据）的评估表明，我们提出的方法实现了显着的改进相比，现有的模型。该方法还提供了用于从多个下游IE任务积累知识的机制。
2021-07-06 cs.AI
Harvesting Events from Multiple Sources: Towards a Cross-Document Event Extraction Paradigm
School of Cyber Science and Engineering, Wuhan University（武汉大学网络科学与工程学院）
本文提出跨文档事件抽取（CDEE）任务，通过构建CLES数据集和五步流程基准，整合多文档事件信息以克服单文档局限性，实现约72%的F1分数。
2024-06-23 cs.AI cs.CL
Jointly Learning Span Extraction and Sequence Labeling for Information Extraction from Business Documents
CINNAMON AI；Hung Yen University of Technology and Education（兴安技术教育大学）
提出了一种新的商务文档信息抽取模型。与以往仅基于跨度提取或序列标记的研究不同，该模型兼顾了跨度提取和序列标记的优点。这种组合允许模型处理具有稀疏信息（少量提取信息）的长文档。该模型是端到端训练的，以统一的方式联合优化这两个任务。在英语和日语的四个商业数据集上的实验结果表明，该模型取得了令人满意的结果，并显着快于正常的跨度为基础的提取方法。代码也可用。
2022-05-26 cs.AI cs.CL
LongKey: Keyphrase Extraction for Long Documents
University of Luxembourg（卢森堡大学）；Pontifícia Universidade Católica do Paraná（巴拉那天主教大学）
针对长文档关键短语提取的空白，提出LongKey框架，利用编码器语言模型和最大池化嵌入器，在LDKP及六个未见数据集上超越现有方法。
2024-11-26 cs.AI cs.CL cs.IR
Reinforcement Learning Integrated Agentic RAG for Software Test Cases Authoring
Apple Inc.（苹果公司）
本文提出一种结合强化学习与自主代理的RAG框架，用于提升软件测试用例生成的准确性和缺陷检测率。
2025-12-05 cs.AI cs.SE
DANIEL: A fast Document Attention Network for Information Extraction and Labelling of handwritten documents
LITIS, University of Rouen Normandie（LITIS，鲁昂诺曼大学）
DANIEL是一种端到端架构，结合语言模型实现手写文档的信息提取与标注，同时支持多语言和多任务学习，性能优于现有方法。
2024-07-12 cs.AI
ViBERTgrid BiLSTM-CRF: Multimodal Key Information Extraction from Unstructured Financial Documents
Yapı Kredi Technology（亚珀克雷迪科技）；Istanbul Technical University（伊斯坦布尔理工大学）
本文提出ViBERTgrid BiLSTM-CRF模型，通过引入BiLSTM-CRF层将多模态Transformer适配于非结构化金融文档，提升了命名实体识别性能并保持了半结构化文档的KIE效果，同时公开了SROIE数据集的token级标注。
2024-09-23 cs.AI cs.CL cs.CV
Document-Level Event Extraction with Definition-Driven ICL
School of Information Science（信息科学学院）；Beijing Language and Culture University（北京语言大学）
针对文档级事件抽取中 LLM 提示设计难题，提出 DDEE 策略，通过定义驱动提示优化、数据平衡及结构化约束提升事件与论元抽取效果。
2024-08-10 cs.AI cs.CL cs.CY
Centroid-based summarization of multiple documents: sentence extraction, utility-based evaluation, and user studies
我们提出了一个多文档摘要，称为MEAD，它产生的主题检测和跟踪系统使用集群质心摘要。我们还描述了两种新的技术，句子效用和包容的基础上，我们已经应用到单个和多个文件摘要的评估。最后，我们描述了两个用户研究，测试我们的多文档摘要模型。
2000-05-12 cs.AI cs.CL cs.DL
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
Mention-centered Graph Neural Network for Document-level Relation Extraction
Computer School, Wuhan University（武汉大学计算机学院）；National University of Singapore（新加坡国立大学）
文档级关系抽取旨在发现整个文档中实体之间的关系。如何从文档中的不同句子中建立实体之间的依赖关系仍然是一个巨大的挑战。目前的方法要么利用语法树来构建文档级图，要么从不同的句子中聚合推理信息。在本文中，我们建立跨句子的依赖关系，推断句子间提到的成分关系。采用主动链接策略，在文档级图上通过提及卷积推理中间关系。我们进一步注意到NA实例的泛化问题，这是由不完整的注释和全连接的提及对恶化。提出了一种改进的排序损失算法来解决这个问题。实验表明，不同提及之间的联系对文档级关系抽取至关重要，它使模型能够抽取出更有意义的高层组合关系。
2021-03-15 cs.AI cs.CL
Document Intelligence Metrics for Visually Rich Document Evaluation
Ernst & Young (EY) LLP（安永会计师事务所）；EY Global Delivery Services India LLP（安永全球交付服务印度有限责任合伙公司）；EY GDS (CS) Poland Sp. z o.o.（安永全球交付服务（客户服务）波兰有限责任公司）
在与文档智能相关的信息抽取任务中，视觉丰富文档（VRD）的处理非常重要。我们介绍了DI的，一个Python库致力于VRD模型评估，包括基于文本的，基于几何和层次的信息抽取任务的指标。我们使用公开的CORD数据集，应用DI-神经网络来评估信息抽取性能，比较三个SOTA模型和一个行业模型的性能。这个开源库可以在GitHub上找到。
2022-05-23 cs.AI
Document-level Relation Extraction as Semantic Segmentation
Zhejiang University（浙江大学）；AZFT Joint Lab for Knowledge Engine（AZFT知识引擎联合实验室）；Hangzhou Innovation Center, Zhejiang University（浙江大学杭州国际科创中心）；Alibaba Group（阿里巴巴集团）
文档级关系抽取的目的是从文档中抽取多个实体对之间的关系。先前提出的基于图或基于变换的模型独立地利用实体，而不管关系三元组之间的全局信息。本文通过预测实体级关系矩阵来捕获局部和全局信息，并行于计算机视觉中的语义分割任务来解决这个问题。在此，我们提出了一个文档U形网络的文档级关系抽取。具体来说，我们利用编码器模块来捕获实体的上下文信息，并在图像风格的特征映射上利用U形分割模块来捕获三元组之间的全局相互依赖性。实验结果表明，我们的方法可以获得最先进的性能在三个基准数据集DocRED，CDR和GDA。
2021-08-22 cs.AI cs.CL cs.CV
Improved Evidence Extraction and Metrics for Document Inconsistency Detection with LLMs
American Express（美国运通）
本文提出新的证据提取度量标准和红acted-重试框架，提升LLMs在文档不一致性检测中的证据提取性能，并释放新的半合成数据集进行评估。
2026-04-08 cs.AI cs.CL
Joint Extraction of Events and Entities within a Document Context
Carnegie Mellon University（卡内基梅隆大学）
事件和实体密切相关;实体通常是事件的参与者或参与者，没有实体的事件是罕见的。对事件和实体的解释高度依赖于上下文。信息抽取中的现有工作通常将事件与实体分开建模，并在句子级别执行推理，忽略文档的其余部分。在本文中，我们提出了一种新的方法，模型之间的依赖关系的事件，实体和它们的关系的变量，并执行跨文档的这些变量的联合推理。目标是允许访问文档级上下文信息，并促进上下文感知预测。我们证明，我们的方法大大优于国家的最先进的事件提取方法，以及实体提取的强大基线。
2016-09-12 cs.AI cs.CL
x.ent: R Package for Entities and Relations Extraction based on Unsupervised Learning and Document Structure
INRA（法国国家农业研究院）；Université Paris-Est（巴黎东大学）；Vietnam National University of Agriculture（越南农业国立大学）
精确的关系抽取仍然是全文数据库处理的一个挑战。我们提出了一种基于共现分析的方法，在每个文档中，我们使用文档组织，以提高关系抽取的准确性。这种方法在一个名为\emph{x.ent}的R包中实现。提取的另一个方面依赖于将提取的关系用于专家终端用户的查询系统。使用了两个数据集。其中一个引起了流行病学专家对植物健康的兴趣。对于这个数据集的使用是专门通过农业信息新闻的植物病害探索。一个开放数据平台利用了从\emph{x.ent}导出的数据，并且是公开可用的。
2015-04-23 cs.AI cs.CL
LayoutXLM vs. GNN: An Empirical Evaluation of Relation Extraction for Documents
Naver Labs Europe（Naver欧洲实验室）
本文研究了文档中的关系抽取任务，通过基准测试两种不同的神经网络模型：多模态语言模型（LayoutXLM）和图神经网络：边缘卷积网络（ECN）。对于这个基准测试，我们使用XFUND数据集，与LayoutXLM一起发布。虽然这两种模型得出了相似的结果，但它们都表现出非常不同的特征。这就提出了如何在神经网络中集成各种模态的问题：通过额外的预训练（LayoutXLM）或级联方式（ECN）合并所有模态。最后，我们讨论了一些方法论问题，必须考虑新的数据集和任务定义领域的信息抽取复杂的文件。
2022-05-09 cs.AI cs.CL
ReXCL: A Tool for Requirement Document Extraction and Classification
Bosch Research and Technology Centre（博世研究技术中心）
ReXCL工具通过启发式抽取和自适应微调分类，自动化半结构化需求文档的模式化，显著提升需求工程管理的效率与准确性。
2025-04-10 cs.AI cs.SE
Hybrid OCR-LLM Framework for Enterprise-Scale Document Information Extraction Under Copy-heavy Task
Ningbo Institute of Digital Twin（宁波数字孪生研究所）；Eastern Institute of Technology（东部技术研究所）
针对企业级复制繁重文档抽取的准确率与效率权衡挑战，提出结合OCR与LLM的混合框架，利用格式感知路由与基于表格的抽取策略，在身份文档上实现近满分F1及亚秒级延迟，性能提升54倍。
2025-10-11 cs.AI cs.CL
Global-to-Local Neural Networks for Document-Level Relation Extraction
Nanjing University（南京大学）；Huawei Technologies Co., Ltd.（华为技术有限公司）
关系抽取的目的是识别文本中命名实体之间的语义关系。近年来，它已经上升到文档级别，这需要在整个文档中对实体和提及进行复杂的推理。在本文中，我们提出了一种新的模型，以文档级RE，通过编码的文档信息的实体的全局和局部表示以及上下文关系表示。实体全局表示对文档中所有实体的语义信息进行建模，实体局部表示对特定实体多次提及的上下文信息进行聚合，上下文关系表示对其他关系的主题信息进行编码。实验结果表明，我们的模型在两个公共数据集上的文档级RE取得了优异的性能。它在提取长距离和多次提及的实体之间的关系时特别有效。
2020-09-22 cs.AI cs.CL
Predicting Document Coverage for Relation Extraction
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
本文提出了一个新的任务，预测的覆盖率的一个文本文档的关系抽取（RE）：文档是否包含许多关系元组为一个给定的实体？覆盖预测在选择最佳文档用于大输入语料库的知识库构建时是有用的。为了研究这个问题，我们提出了一个数据集的31,366不同的文件为520个实体。我们分析了文档覆盖率与长度、实体提及频率、Alexa排名、语言复杂度和信息检索分数等特征的相关性。这些特征中的每一个都只有中等的预测能力。我们采用的方法相结合的特征与统计模型，如TF-IDF和语言模型，如BERT。结合特征和BERT，HERB的模型，达到了高达46%的F1分数。我们展示了覆盖预测在两个用例上的实用性：KB构建和索赔反驳。
2021-11-26 cs.AI cs.CL
Double Graph Based Reasoning for Document-level Relation Extraction
Peking University（北京大学）；ByteDance AI Lab（字节跳动人工智能实验室）
文档级关系抽取旨在抽取文档中实体之间的关系。与文档级关系抽取不同，它需要对文档中的多个句子进行推理。在本文中，我们提出了图聚合和推理网络（GAIN）具有双重图。GAIN首先构建了一个异构的提及级图（hMG）来模拟文档中不同提及之间的复杂交互。它还构造了一个实体级图（EG），在此基础上，我们提出了一种新的路径推理机制来推断实体之间的关系。在公共数据集DocRED上的实验表明，GAIN在F1上实现了显着的性能提升（2.85）。我们的代码可以在https://github.com/DreamInvoker/GAIN上找到。
2020-09-29 cs.AI cs.CL cs.LG
Augmenting Document-level Relation Extraction with Efficient Multi-Supervision
University of Macau（澳门大学）；Beijing Normal University (Zhuhai)（北京师范大学（珠海））；BNU-UIC（北京师范大学-香港浸会大学联合国际学院）；SKL-IOTSC（物联网关键技术与系统国家重点实验室）
本文针对文档级关系抽取中远程监督数据噪声大、利用效率低的问题，提出高效多重监督方法，通过结合远程与专家监督筛选信息文档并设计多重监督排序损失，在提升性能的同时提高时间效率。
2024-07-01 cs.AI cs.CL
Few-Shot Document-Level Relation Extraction
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
我们提出了FREDo，一个Few-Shot文档级关系抽取（FSDLRE）基准。相对于现有的基准是建立在文档级关系抽取语料库，我们认为，文档级语料库提供更多的现实主义，特别是关于非上述（NOTA）的分布。因此，我们提出了一组FSDLRE任务，并基于两个现有的监督学习数据集，DocRED和sciERC构建了一个基准。我们适应国家的最先进的文档级的方法MNAV，并进一步发展，以改善领域自适应。我们发现FSDLRE是一个具有挑战性的设置有趣的新特性，如能够从支持集采样NOTA实例。数据、代码和训练模型可在线获取（https：//github.com/nicpopovic/FREDo）。
2022-07-01 cs.AI cs.CL cs.LG
DocILE 2023 Teaser: Document Information Localization and Extraction
Czech Technical University in Prague（捷克布拉格技术大学）；University of La Rochelle（拉罗谢尔大学）
缺乏用于从半结构化业务文档中进行信息抽取（IE）的数据是IE社区面临的一个现实问题。依赖于大规模数据集的出版物只使用专有的、未出版的数据，因为这些文件具有敏感性。公开可用的数据集大多很小，并且是特定领域的。大规模公共数据集或基准的缺乏阻碍了已发表方法的可重复性和交叉评估。DocILE 2023竞赛作为CLEF 2023会议的一个实验室和ICDAR 2023竞赛，将运行业务文档中关键信息本地化和提取（KILE）和行项目识别（LIR）任务的第一个主要基准。DocILE实验室拥有来自开源的数千个带注释的真实文档、10万个生成的合成文档和近100万个未标记文档，拥有KILE和LIR最大的公开数据集。我们期待来自计算机视觉、自然语言处理、信息检索和其他社区的贡献。有关实验室和竞赛的数据、基线、代码和最新信息，请访问https://docile.rossum.ai/。
2023-01-29 cs.AI cs.LG
Enhancing Keyphrase Extraction from Long Scientific Documents using Graph Embeddings
Comillas Pontifical University（科米亚斯宗座大学）；Bloomberg（彭博社）
本研究提出一种图增强序列标注架构，通过图卷积网络生成的图嵌入来增强预训练语言模型的上下文表示，显著提升了长科学文档中关键短语抽取的F1分数。
2023-05-16 cs.AI cs.CL
TTM-RE: Memory-Augmented Document-Level Relation Extraction
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Virginia Tech（弗吉尼亚理工大学）；Carle Illinois College of Medicine（卡尔伊利诺伊医学院）
本文提出TTM-RE方法，通过可训练记忆模块和噪声鲁棒损失函数，有效利用大规模噪声训练数据，在ReDocRED等文档级关系抽取基准上取得最先进性能。
2024-06-09 cs.AI cs.CL
Entity Structure Within and Throughout: Modeling Mention Dependencies for Document-Level Relation Extraction
Baidu Inc.（百度公司）
实体作为关系抽取任务中的基本元素，具有一定的结构性。在这项工作中，我们制定了这样的结构提到对之间的独特的依赖关系。然后，我们提出了SSAN，它将这些结构的依赖性内的标准自我注意力机制，并在整个编码阶段。具体来说，我们在每个自我注意构建块内设计了两个替代转换模块来产生注意偏差，从而自适应地调整其注意流。我们的实验证明了所提出的实体结构和SSAN的有效性。它显著优于竞争基准，在三个流行的文档级关系抽取数据集上获得了最新的结果。我们进一步提供消融和可视化来展示实体结构如何引导模型以获得更好的关系抽取。我们的代码是公开的。
2021-02-20 cs.AI cs.CL
LMDX: Language Model-based Document Information Extraction and Localization
Google DeepMind（谷歌DeepMind）；Google Cloud（谷歌云）；UC San Diego（加州大学圣迭戈分校）；Google Cloud AI Research（谷歌云人工智能研究）
针对大语言模型缺乏布局编码和实体定位机制、难以从视觉丰富的半结构化文档提取信息的问题，提出LMDX方法重构任务，支持多类型实体提取与定位，在基准上取得新SOTA，实现高质量数据高效解析。
2024-06-21 cs.AI cs.CL cs.LG
Improving Information Extraction on Business Documents with Specific Pre-Training Tasks
INSA Lyon（里昂国立应用科学学院）；Esker（Esker公司）
本文针对商业文档信息抽取中预训练任务过于通用的问题，基于LayoutLM模型提出两个新的预训练任务以更好地理解文档布局和数值信息，并引入新的后处理算法解码BIESO标签，显著提升了在公开和私有数据集上的抽取性能。
2023-09-11 cs.AI cs.CL
A Two-Stream AMR-enhanced Model for Document-level Event Argument Extraction
Peking University（北京大学）；Tencent Cloud Xiaowei（腾讯云小微）
以往的研究大多是从单个句子中提取事件，而文档级的事件提取仍然是探索不足。在本文中，我们专注于从整个文档中提取事件参数，这主要面临两个关键问题：a）触发器和参数之间的长距离依赖的句子; b）分散上下文对文档中的事件。为了解决这些问题，我们提出了一个双流抽象意义表示增强提取模型（TSAR）。TSAR采用双流编码模块从不同角度对文档进行编码，充分利用了局部和全局信息，降低了上下文干扰的影响。此外，TSAR还引入了AMR引导的交互模块，以局部和全局构造的AMR语义图为基础，捕获表内和表间特征。引入一个辅助的边界损失来显式地增强文本跨度的边界信息。大量的实验表明，TSAR优于以前的国家的最先进的大幅度，与2.54 F1和5.13 F1的性能增益在公共RAMS和WikiEvents数据集上分别显示出跨句子的参数提取的优越性。我们在https://github.com/ PKUnlp-icler/TSAR中发布我们的代码。
2022-04-30 cs.AI cs.CL
Improving Long Tailed Document-Level Relation Extraction via Easy Relation Augmentation and Contrastive Learning
Zhejiang University（浙江大学）；IBM Research（IBM研究院）
面向现实世界的信息抽取场景，关系抽取的研究正在向文档级关系抽取（DocRE）发展。现有的DocRE方法旨在通过新的模型架构对长上下文中的各种信息源进行编码来提取关系。然而，DocRE固有的长尾分布问题被以前的工作所忽视。我们认为，减轻长尾分布问题是至关重要的DocRE在现实世界中的场景。受长尾分布问题的启发，我们提出了一种简单的关系增强（ERA）方法，通过增强尾部关系的性能来改进DocRE。此外，我们进一步提出了一个新的对比学习框架，即基于我们的ERA，ERACL，它可以进一步提高模型在尾关系上的性能，并实现与最先进的DocRE相比具有竞争力的整体性能。
2022-05-21 cs.AI cs.CL
DocEDA: Automated Extraction and Design of Analog Circuits from Documents with Large Language Model
Southeast Universisity（东南大学）
针对传统电路文档参数提取依赖人工、效率低易出错的问题，提出结合版面分析、LLM思维链推理、改进GAM-YOLO拓扑识别及空间映射优化的DocEDA系统，提升了EDA中参数提取效率与准确性，适配多场景多格式。
2024-11-25 cs.AI cs.AR cs.CL
Document-Level In-Context Few-Shot Relation Extraction via Pre-Trained Language Models
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
提出一种基于预训练语言模型的文档级上下文少样本关系抽取框架，无需NER和人工标注且可免重训切换LM，在六个数据集上超过30余种基线并达到SOTA。
2024-10-02 cs.AI cs.CL cs.LG
FCDS: Fusing Constituency and Dependency Syntax into Document-Level Relation Extraction
University of Electronic Science and Technology of China（电子科技大学）
针对文档级关系抽取未能充分利用丰富句法信息的问题，提出 FCDS，融合成分句法与依存句法进行句子筛选、图增强和实体路径选择，并在多领域数据集上验证有效。
2024-03-04 cs.AI cs.CL
sTeX+ - a System for Flexible Formalization of Linked Data
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；Jacobs University Bremen（不来梅雅各布大学）
我们提出的sTeX+系统，用户驱动的sTeX-LaTeX的语义扩展，允许生产高质量的PDF文档（校对）阅读和打印，以及语义XML/OMDoc文档的Web或进一步处理的进步。最初，sTeX是作为一种侵入式的、语义化的前端创建的，用于编写XML文档。在这里，我们在一个软件工程案例研究中使用sTeX作为形式化工具。为了处理模块化前语义词汇和关系，我们在参与式设计过程中将其升级为sTeX+。我们提出了一个工具链，从一个sTeX+编辑器开始，并最终通过一个支持OMDoc的版本化XML数据库将生成的文档作为XHTML + RDFa链接数据。在最终的输出中，所有的结构化注释都被保留，以支持语义信息检索服务。
2010-06-23 cs.AI cs.SE
Document-level Relation Extraction with Cross-sentence Reasoning Graph
University of Electronic Science and Technology of China（电子科技大学）；TROY Information Technology Co., Ltd.（Troy信息技术有限公司）
关系抽取（RelationExtraction，RE）最近已经从文档级转移到文档级，这需要聚集文档信息并使用实体和提及进行推理。现有的工作将实体节点和提及节点以相似的方式表示在文档级图中，其复杂的边可能会产生冗余信息。此外，现有的研究只关注实体级的推理路径，没有考虑跨句实体间的全局交互。为此，我们提出了一种新的文档级RE模型与GRaph信息聚合和跨句子推理网络（GRACR）。具体而言，构建了简化的文档级图来描述文档中所有提及和句子的语义信息，并设计了实体级图来探索长距离跨句子实体对之间的关系。实验结果表明，GRACR在两个文档级RE公共数据集上取得了良好的性能。它在提取跨句子实体对的潜在关系时特别有效。我们的代码可在https://github.com/UESTC-LHF/GRACR上获得。
2023-03-07 cs.AI cs.CL cs.LG
DECODEM: Data Extraction from Corporate Organizational Documents via Enhanced Methods
Washington University in St. Louis School of Law（圣路易斯华盛顿大学法学院）
研究旨在通过增强方法从公司组织文档提取数据，介绍DECODEM基准数据集，评估多种大语言模型提取管道，结果显示自动提取可行且性能因变量而异，标准化基准和评估证明前沿模型能高精度提取信息，凸显自动特征提取作用。
2026-10-21 cs.AI cs.CL cs.CY
AiBAT: Artificial Intelligence/Instructions for Build, Assembly, and Test
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
AiBAT 系统通过分析装配图纸并自动提取信息来辅助填充 IBAT 指令模板，从而减少人工编写时间与成本，本文介绍其系统架构、初步结果及未来工作方向。
2024-10-03 cs.AI cs.AR cs.ET
Cascaded Span Extraction and Response Generation for Document-Grounded Dialog
RWTH Aachen University（亚琛工业大学）；AppTek GmbH（AppTek有限责任公司）
本文总结了我们的条目的第一个DialDoc共享任务，专注于代理响应预测任务，在面向目标的文件为基础的对话的两个子任务。该任务分为两个子任务：预测一个跨度在一个文件，地面代理轮流和生成一个代理响应的基础上的对话和接地文件。在第一个子任务中，我们将有效跨度集限制为数据集中定义的跨度，使用双仿射分类器对跨度进行建模，最后使用不同模型的集成。对于第二个子任务，我们使用级联模型，该模型将响应预测基于预测的跨度而不是整个文档。通过这些方法，与基线相比，我们在两个子任务中获得了显着的改进。
2021-06-14 cs.AI cs.CL cs.LG
A LayoutLMv3-Based Model for Enhanced Relation Extraction in Visually-Rich Documents
Ecole Polytechnique（巴黎综合理工学院）；BNP Paribas CIB（法国巴黎银行企业及投资银行部门）
针对视觉富文档中实体关系抽取研究不足的问题，提出基于LayoutLMv3的模型，无需特定预训练且参数更少，在FUNSD和CORD数据集上性能达当前最优，并通过消融实验验证了特征与建模选择的影响。
2024-04-16 cs.AI cs.CL cs.LG
On Event Individuation for Document-Level Information Extraction
University of Rochester（罗切斯特大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文质疑模板填充作为文档级信息抽取基准的适用性，指出事件个体化难题导致专家分歧，并通过标注研究和错误分析揭示其对指标、数据集及模型学习能力的负面影响，最后探讨了可能的解决方案。
2023-10-20 cs.AI cs.CL cs.LG
DocILE Benchmark for Document Information Localization and Extraction
Czech Technical University in Prague（捷克技术大学布拉格分校）；University of La Rochelle（拉罗谢尔大学）；Universitat Autónoma de Barcelona（巴塞罗那自治大学）
本研究推出面向关键信息定位提取与行项目识别的DocILE基准，配套含多类标注、多样布局的大规模商业文档数据集及多个基线模型，为相关研究提供基准与起点。
2023-05-03 cs.AI cs.CL cs.LG
DTBench: A Synthetic Benchmark for Document-to-Table Extraction
Zhejiang University（浙江大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science（香港科学与技术大学）
提出DTBench合成基准，通过反向Table2Doc范式和多智能体合成流程生成文档，系统评估LLM在文档到表格提取中的多种能力。
2026-05-29 cs.AI cs.DB cs.MA
