KH-FUNSD：面向低资源高棉语商务文档的层次化细粒度布局分析数据集
计算与语言
2025-12-16 v1 人工智能
计算机视觉与模式识别
摘要
自动化文档布局分析对于低资源非拉丁脚本而言仍是一项重大挑战。高棉语是柬埔寨超过 1700 万人日常使用的语言，在文档 AI 工具的开发中鲜受关注。对于商务文档而言，专用资源的匮乏尤为突出，这类文档对公共管理和私营企业都至关重要。为填补这一空白，我们提出了 KH-FUNSD——首个公开可用的、层次化标注的高棉语表单文档理解数据集，涵盖收据、发票和报价单。我们的标注框架采用三级设计：（1）区域检测将每个文档划分为核心区域，如页眉、表单字段和页脚；（2）FUNSD 风格标注区分问题、答案、页眉和其他关键实体及其关系；（3）细粒度分类为各元素分配特定的语义角色，如字段标签、值、页眉、页脚和符号。这种多层级方法同时支持全面的布局分析和精确的信息提取。我们对多个主流模型进行了基准测试，提供了高棉语商务文档的首套基线结果，并讨论了非拉丁低资源脚本所带来的独特挑战。KH-FUNSD 数据集和文档将在指定 URL 处公开。
引用
@article{arxiv.2512.11849,
title = {KH-FUNSD: A Hierarchical and Fine-Grained Layout Analysis Dataset for Low-Resource Khmer Business Document},
author = {Nimol Thuon and Jun Du},
journal= {arXiv preprint arXiv:2512.11849},
year = {2025}
}