RealKIE：面向企业关键信息抽取的五个新数据集
计算与语言
2025-10-07 v2 计算机视觉与模式识别
机器学习
摘要
我们介绍RealKIE，一个包含五个具有挑战性数据集的基准，旨在推进关键信息抽取方法，重点关注企业应用。这些数据集包括多种文档：SEC S1申报文件、美国保密协议、英国慈善报告、FCC发票和资源合同。每个数据集都呈现独特挑战：文本序列化差、长文档中稀疏标注以及复杂表格布局。这些数据集为投资分析和合同分析等关键信息抽取任务提供了真实的测试环境。除了呈现这些数据集，我们还详细描述了标注过程、文档处理技术和基线建模方法。这一贡献有助于开发能够处理实际挑战的NLP模型，并支持针对行业特定问题的信息抽取技术的进一步研究。标注数据、OCR输出以及复现基线的代码可在https://indicodatasolutions.github.io/RealKIE/下载。
引用
@article{arxiv.2403.20101,
title = {RealKIE: Five Novel Datasets for Enterprise Key Information Extraction},
author = {Benjamin Townsend and Madison May and Katherine Mackowiak and Christopher Wells},
journal= {arXiv preprint arXiv:2403.20101},
year = {2025}
}