复杂 ESG 年报中目录抽取的可扩展框架

目录（ToC）抽取的核心在于以层次化方式结构化文档。本文提出一个新数据集 ESGDoc，包含来自 563 家公司的 1,093 份 ESG 年报，时间跨度为 2001 至 2022 年。这些报告因其结构多样且篇幅冗长而带来显著挑战。为应对这些挑战，我们提出一个新的目录抽取框架，包含三步：(1) 基于阅读顺序与字体大小构建文本块的初始树；(2) 通过考虑以节点为中心子树中捕获的上下文信息，独立地对每个树节点（或文本块）建模；(3) 通过对每个树节点采取恰当动作（保留、删除或移动）来修改原始树。这一构建-建模-修改（CMM）过程具有若干优势。它消除了以往方法中对章节标题进行成对建模的需要，使文档分割在实际中可行。通过融入结构化信息，每个章节标题可利用与其相关的局部与长距离上下文。实验结果表明，我们的方法以极少运行时间超越了先前最先进的基线。我们的框架通过有效处理任意长度文档证明了其可扩展性。