maveriq/readingbank

ReadingBank是一个用于阅读顺序检测的基准数据集，通过WORD文档的弱监督构建，包含50万张文档图像及其对应的阅读顺序信息。数据集支持的任务是文档的阅读顺序检测，语言为英语。数据集结构包括源文本、目标文本、BLEU分数等字段。数据分割为训练集40万条，开发集和测试集各5万条。

原始信息汇总

数据集卡片 for ReadingBank

数据集描述

• 数据集概述： ReadingBank 是一个用于阅读顺序检测的基准数据集，通过从 WORD 文档中进行弱监督构建，包含 500K 个文档图像，涵盖广泛的文档类型以及相应的阅读顺序信息。

支持的任务和排行榜

• 任务： 文档的阅读顺序

语言

• 语言： 英语

数据集结构

数据实例

[更多信息需要]

数据字段

• src : 文本
• tgt : 文本
• bleu : 浮点数
• tgt_index : 整数列表
• original_filename : 字符串
• filename : 字符串
• page_idx : 整数
• src_layout : src 的边界框（整数列表的列表）
• tgt_layout : tgt 的边界框（整数列表的列表）

数据划分

• train : 400,000
• dev : 50,000
• test : 50,000

数据集创建

策划理由

[更多信息需要]

源数据

初始数据收集和规范化

[更多信息需要]

源语言生产者是谁？

[更多信息需要]

注释

注释过程

[更多信息需要]

注释者是谁？

[更多信息需要]

个人和敏感信息

[更多信息需要]

使用数据时的考虑因素

数据集的社会影响

[更多信息需要]

偏见的讨论

[更多信息需要]

其他已知限制

[更多信息需要]

附加信息

数据集策展人

[更多信息需要]

许可信息

[更多信息需要]

引用信息

[更多信息需要]

贡献

[更多信息需要]