RealKIE: Five Novel Datasets for Enterprise Key Information Extraction

我们介绍了RealKIE，这是一个旨在推进关键信息提取方法的具有挑战性的数据集基准，重点关注企业应用。这些数据集包括各种文档，包括SEC S1文件、美国保密协议、英国慈善报告、FCC发票和资源合同。每个数据集都提出了独特的挑战：文本序列化差、长文档中稀疏的注释和复杂的表格布局。这些数据集为关键信息提取任务（如投资分析和法律数据处理）提供了一个现实的测试场所。 除了介绍这些数据集外，我们还提供了对注释过程、文档处理技术和基线建模方法的深入描述。这一贡献有助于开发能够处理实际挑战的自然语言处理模型，并支持进一步研究适用于行业特定问题的信息提取技术。 可下载注释数据和OCR输出的链接为https://indicodatasolutions.github.io/RealKIE/，基线复现代码即将推出。

RealKIE论文试图解决企业信息提取中的关键问题，包括文本序列化不佳、长文档中稀疏注释和复杂的表格布局等。同时，该论文旨在推动企业应用中信息提取方法的发展。

RealKIE提供了五个具有挑战性的数据集，旨在推动关键信息提取方法的发展。这些数据集包括SEC S1 Filings、US Non-disclosure Agreements、UK Charity Reports、FCC Invoices和Resource Contracts。该论文提供了详细的注释过程、文档处理技术和基线建模方法，为处理实际问题的NLP模型的开发提供了便利。

RealKIE提供了五个具有挑战性的数据集，旨在推动关键信息提取方法的发展。该论文提供了详细的注释过程、文档处理技术和基线建模方法，为处理实际问题的NLP模型的开发提供了便利。该论文的亮点包括：提供了实验数据集和OCR输出，开源了基线代码，为进一步研究行业特定问题的信息提取技术提供了支持。

在这个领域中，最近的相关研究包括：《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》、《A Survey of Named Entity Recognition and Classification》、《Neural Architectures for Named Entity Recognition》等。