TableBank

为了解决对标准开放域表基准数据集的需求，作者提出了一种新颖的弱监督方法来自动创建 TableBank，该方法比现有的用于表分析的人工标记数据集大几个数量级。与传统的弱监督训练集不同，我们的方法不仅可以获得大规模的训练数据，而且可以获得高质量的训练数据。如今，网络上有大量的电子文档，例如 Microsoft Word (.docx) 和 Latex (.tex) 文件。这些在线文档本质上在其源代码中包含表格的标记标签。直观地说，可以通过在每个文档中使用标记语言添加边界框来操作这些源代码。对于 Word 文档，可以在标识每个表格的边界的地方修改内部 Office XML 代码。对于 Latex 文档，也可以在识别表格边界框的地方修改 tex 代码。通过这种方式，可以为商业文档、官方填写、研究论文等各种领域创建高质量的标记数据，这对于大规模的表格分析任务非常有利。 TableBank 数据集总共包含 417,234 个高质量标记表及其在各个领域的原始文档。