文档智能：数字化转型的技术基石( 四 ) _文档智能

语义结构检测
DocBank 是 TableBank 数据集的扩展，其中除了表格之外还包括其他语义单元，用于文档布局分析。在 DocBank 数据集中标注了以下语义结构：摘要、作者、标题、公式、图形、页脚、列表、段落、参考文献、节标题、表格和文章标题。
之前的 TableBank 研究使用了 “fcolorbox” 命令标记表格。但是，对于 DocBank 数据集，目标结构主要由文本组成，因此无法很好地应用 “fcolorbox” 命令。所以此次使用 “color” 命令来改变这些语义结构的字体颜色，通过特定于结构的颜色来区分它们。有两种类型的命令可以表示语义结构。
一类是 LaTeX 命令的简单单词，后接反斜杠。例如，LaTeX 文档中的节标题通常采用以下格式：

文章插图

另一类命令通常会启动一个环境。例如，LaTeX 文档中的列表声明如下所示：

文章插图

begin{itemize} 命令启动一个环境，而 end{itemize} 命令结束该环境。实际命令名称是 “begin” 命令和 “end” 命令的参数。将 “color” 命令插入到语义结构的代码中（如下所示），然后重新编译 LaTeX 文档。同时，为所有语义结构定义特定的颜色，使它们更好地被区分。不同的结构命令要求将 “color” 命令放置在不同的位置才能生效。最后，重新编译 LaTeX 文档来获取更新的 PDF 页面，其中每个目标结构的字体颜色已修改为特定于结构的颜色。

文章插图

Token 级别文本标注
研究员们使用 PDFPlumber（基于 PDFMiner 构建的 PDF 解析器）来提取文本行和非文本元素，以及它们的边界框。通过划分空格将文本行分词，由于只能从解析器中获得字符的边界框，因此 Token 的边界框定义是组成 Token 的单词中最左上角坐标和最右下角坐标的集合。对于没有任何文本的元素（例如 PDF 文件中的图形和线条），则在 PDFMiner 中使用其类名和两个“#”符号将其组成一个特殊标记。表示图形和线条的类名分别是 “LTFigure” 和 “LTLine” 。
PDFPlumber 可以从 PDF 文件中以 RGB 值的形式，提取字符和非文本元素的颜色。通常，每个 Token 由具有相同颜色的字符组成。如果不是的话，则使用第一个字符的颜色作为 Token 的颜色。根据上述的颜色到结构的映射，可以确定 Token 级别的文本标签。此外，语义结构可以同时包含文本和非文本元素。例如，表格由单词和组成表格的线条构成。在这项工作中，为了使模型在元素被切分之后能够尽可能地获取表格的布局，单词和线条都被标注为“表格”类。
后处理
在某些情况下，一些 Token 天然具有多种颜色，并且无法通过 “ color” 命令进行转换，例如 PDF 文件中的超链接和引用，这些不变的颜色将导致标记的标注错误。因此，为了更正这些 Token 的标签，还需要对 DocBank 数据集进行一些后处理步骤。
通常，相同语义结构的 Token 将按阅读顺序组织在一起。因此，一般在相同的语义结构中连续的标记都具有相同的标签。当语义结构交替时，边界处相邻 Token 的标签将不一致。研究员们会根据文档中的阅读顺序检查所有标签。当单个 Token 的标签与其上文和下文的标签不同，但上文和下文的标签相同时，会将此 Token 的标签校正为与上下文标记相同。通过手动检查，研究员们发现这些后处理步骤大大改善了DocBank 数据集的质量。
实验数据统计
【文档智能：数字化转型的技术基石】DocBank 数据集具有12种语义单元，DocBank 中训练集、验证集和测试集的统计信息，显示了每个语义单元的数量（定义为包含该语义单元的文档页面数量），以及占总文档页面数量的百分比。由于这些文档页面是随机抽取并进行划分的，因此语义单元在不同集合中的分布几乎是一致的。