DocBank 文本数据集

DocBank 是一个文本数据集。数据集包含 50 万个细粒度、词条级别标注的文档页面，用于文档布局分析。数据集使用一种简单而有效的方式构建，有 arXiv.com 上提供的 \LaTeX{} 文档的弱监督。

DocBank is a textual dataset. It contains 500,000 fine-grained, token-level annotated document pages for document layout analysis. The dataset is constructed in a simple yet effective manner, leveraging weak supervision from LaTeX documents available on arXiv.com.

搜集汇总

背景与挑战

背景概述

DocBank是一个包含50万个词条级别标注文档页面的文本数据集，用于文档布局分析，通过arXiv.com的LaTeX文档弱监督构建，总大小为48.1 GB。