摘要
文档中与特定主题相关的重要信息通常以表格形式组织，以便读者进行信息检索和比较，这在自然语言中可能难以实现。然而，非结构化数字文档（如便携式文档格式（PDF）和图像）中的表格数据由于其结构和样式的复杂性和多样性，很难解析为结构化的机器可读格式。为了促进基于图像的表格识别技术的发展，我们开发了目前最大的公开可用表格识别数据集PubTabNet（https://github.com/ibm-aur-nlp/PubTabNet），该数据集包含568,000张带有相应结构化HTML表示的表格图像。PubTabNet通过匹配PubMed Central开放获取子集（PMCOA）中科学文章的XML和PDF表示自动生成。此外，我们提出了一种新颖的基于注意力机制的编码器-双解码器（EDD）架构，该架构可以将表格图像转换为HTML代码。该模型具有一个结构解码器，用于重建表格结构并帮助单元格解码器识别单元格内容。另外，我们还提出了一种新的基于树编辑距离的相似度（TEDS）度量方法，用于表格识别，相比现有的度量方法，TEDS能更恰当地捕捉多跳单元格错位和光学字符识别（OCR）错误。实验结果表明，EDD模型仅依赖图像表示就能准确识别复杂的表格，并且在TEDS得分上比现有最先进技术提高了9.7%的绝对值。