SemTabNet是一个用于特征提取、表格问答和文本到文本生成任务的数据集，大小在10万到100万之间，主要语言为英语。该数据集与一篇关于使用大型语言模型从表格中提取ESG KPIs的论文相关，提出了一种新的知识模型STATEMENTS，用于从表格或文本中提取量化信息。数据集支持三种任务，每个任务的数据被分为训练、验证和测试集，且所有文本内容均为英语。

Hugging Face2024-06-27 更新170

MobIE

自然语言处理

信息提取

MobIE 是一个德语数据集，它使用 20 种粗粒度和细粒度实体类型以及地理可链接实体的实体链接信息进行人工注释。该数据集由 3,232 个社交媒体文本和带有 91K 标记的交通报告组成，并包含 20.5K 注释实体，其中 13.1K 链接到知识库。数据集的一个子集使用七种与移动相关的 n 元关系类型进行人工注释，而其余文档使用 Snorkel 框架实现的弱监督标签方法进行注释。该数据集可用于 N

OpenDataLab2026-07-12 更新120

Effyis/Table-Extraction

自然语言处理

信息提取

该数据集旨在评估大型语言模型（LLMs）从文本中提取表格的能力。它提供了一系列包含表格的文本片段及其对应的JSON格式的结构化表示。数据集基于Table Fact Dataset（也称为TabFact），该数据集包含从维基百科提取的16,573个表格。每个数据点由两部分组成：包含嵌入表格的文本片段（context）和表示提取的表格结构的JSON对象（answer）。JSON对象的格式详细说明了每个

Hugging Face2024-05-31 更新210

社保卡识别

信息提取

社保卡识别可识别全国各地社保卡，返回社会保障卡号、姓名、性别、出生日期、银行卡号、有效期限等信息。

华为云市场2026-04-03 更新130