检索结果-内蒙古大学图书馆

软件学报 2021年第3期32卷 753-762页

作者：邓哲也张铭北京大学信息科学技术学院计算机科学技术系北京100871

在自然语言理解和语义表征的研究中,往往需要验证一句文本陈述是否基于给定的事实证据,这就是事实检测任务.现有的研究主要局限于处理文本事实验证,而结构化证据下的验证还有待探索,比如基于表格等形式的事实验证.TabFact作为最新的基... 详细信息

在自然语言理解和语义表征的研究中,往往需要验证一句文本陈述是否基于给定的事实证据,这就是事实检测任务.现有的研究主要局限于处理文本事实验证,而结构化证据下的验证还有待探索,比如基于表格等形式的事实验证.TabFact作为最新的基于表格的事实验证数据集,基线方法并没有很好地利用表格的结构性特征.结合表格的结构特征,设计了以行、单元格为单位的基于图神经网络的事实验证模型Row-GVM和Cell-GVM,比基线模型的准确率分别提高了2.62%和2.77%.实验结果表明,这两种利用了表格特征的方法确实是有效的.

关键词：表格文本事实检测图神经网络

来源：评论

学校读者我要写书评

暂无评论

以DocuSky平臺閱讀《洛陽伽藍記》

数位典藏与数位人文

引用

数位典藏与数位人文 2022年第9期 123-147页

作者：曹德啟

《洛阳伽蓝记》是最早的佛寺志，其内容以佛寺为框架，生动描绘北魏末期洛阳城中的佛教文化、各类人物与活动。本文将说明藉由DocuSky数位人文学术研究平台，将《洛阳伽蓝记》电子文本转换为资料库的过程与现象分析。尝试以数位人文的... 详细信息

《洛阳伽蓝记》是最早的佛寺志，其内容以佛寺为框架，生动描绘北魏末期洛阳城中的佛教文化、各类人物与活动。本文将说明藉由DocuSky数位人文学术研究平台，将《洛阳伽蓝记》电子文本转换为资料库的过程与现象分析。尝试以数位人文的方法梳理文献，将研究者的日常研究成果转换为资料库，结构性地呈现文本内容及其重要资讯，藉由资料库分析与排列资料的功能，让研究者可以从更加高广的角度观察往常受到忽视的讯息，以达到挖掘多元的材料与研究方向的目的。

关键词：《洛陽伽藍記》 DocuSky 表格文本資料庫後分類

来源：评论

学校读者我要写书评

暂无评论

电子文档中表格的结构识别、样式还原和语义匹配

电子文档中表格的结构识别、样式还原和语义匹配

引用

作者：李宏伟中国科学院大学

学位级别：博士

随着机器学习的发展，自然语言处理和计算机视觉分别在理解文本内容和视觉内容上取得了突破性的进展。而表格，将文本和视觉信息融合，是电子文档中的数据和关键信息的重要呈现形式，已被广泛使用。理解电子文档中的表格，对各类垂直领... 详细信息

随着机器学习的发展，自然语言处理和计算机视觉分别在理解文本内容和视觉内容上取得了突破性的进展。而表格，将文本和视觉信息融合，是电子文档中的数据和关键信息的重要呈现形式，已被广泛使用。理解电子文档中的表格，对各类垂直领域的诸多后续应用，包括表格检索、信息抽取、知识库构建、智能审核等，至关重要;同时，以表格作为研究载体，将帮助我们探索多模态表示学习和融合的方法，并理解文本和视觉模态之间的互补性和冗余性。　　然而，为了保证电子文档在跨平台跨系统下视觉呈现完全一致，垂直领域中的电子文档（例如政府工作报告、企业年报、商业报告、科研文献等）往往采用非标签化的文件格式（如PDF文档）;这些文档仅存储了页面的视觉信息，而缺乏文档结构信息。因此，应首先识别出电子文档中表格内部的行列结构;在此基础上，进行表格语义理解的各类任务。　　表格的结构识别的目标是识别表格的行和列，以及单元格的跨行跨列信息，使得所形成的每个表格格子内的文本包含独立和完整的语义。早期的研究多基于规则的方法，而近年已涌现出一批基于深度神经网络的端到端的监督学习方法。然而，这些工作往往只考虑表格的视觉信息，对视觉信息和文本信息的多模态融合理解缺乏研究，也并不清楚文本信息的融合怎样带来性能的提升。　　由于非标签化文档也没有存储表格的样式信息，比如单元格的对齐方式，使得在识别表格的行列结构后通常需要手工调整表格样式，才能实现跨平台的表格展示。然而，这种手工调整非常的繁琐且无聊。因此，本文提出表格样式还原的任务，并提出一种强化学习的解决方案。　　建立在表格行列结构识别之上的表格语义理解，近年也成为研究热点，包含:基于关键词的表格检索、表格之间的语义匹配、表格内容自动填充等工作。这些工作多集中在对表格整体内容的理解，而对表格中每个格子的细粒度的语义理解的研究工作开展较少。因此，本文专注于不同表格中的单元格的语义匹配的研究，并探索该任务在智能文档阅读和审阅方面的应用。　　具体讲，本文的研究内容和贡献总结如下:　　1)提出了表格行列结构识别模型。现有的表格结构识别模型认为依靠视觉信息就可以识别表格的行列结构，然而本文发现，当存在包含多行文本的单元格、或两列的距离较近、或列的标题和数据的位置错开时，不使用文本语义信息难以正确识别表格行列结构。因此，本文提出将语言模型与表格的视觉信息进行融合来识别表格行列结构的方法。该模型有效地建模了表格的文本语义信息，同时也建模了线条和色块的信息，相比于基于像素级别的视觉信息的表格结构识别方法，提升了11％的表格级别正确率。　　2)提出了表格样式还原模型。本文首次提出了表格样式还原的任务，将其转化为表格中的基本对象的多步决策问题，并提出了基于强化学习的解决方法。具体讲，该方法利用蒙特卡罗树搜索来探索不同的样式设置，并在延迟奖励的监督下学习策略函数。实验表明，本文的方法成功地恢复了87.65％的表格的样式，与贪心方法相比有25.75％的绝对提升。本文还讨论了推理时间和恢复成功率之间的权衡，并认为虽然强化学习方法不能用于实时场景，但它适用于有高质量还原要求的离线任务。　　3)提出了表格单元格级别的语义匹配模型。现有的表格语义匹配方法主要是在表格级别进行且是针对关系型表格;然而垂直领域多使用矩阵型表格来呈现数据。由于矩阵型表格在呈现上的多样性（即相同的数据语义呈现为不同的表格形式），单元格的语义很难被解析成关系型元组。因此，本文提出一个基于神经网络的端到端的单元格语义匹配模型，而不必对单元格进行显式地语义解析。实验表明，该模型在中国市场的IPO招股书和审计报告两个数据集上的表格单元格语义匹配的性能指标F1分别为0.8297和0.7944。该模型被实际应用于一个智能审计工具，根据用户的反馈，能够缩短大约50％的工作时间。　　最后，本文对后续的工作进行了展望。

关键词：电子文档表格文本结构识别样式还原语义匹配

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：