構造化文書を理解するための表現学習アプローチ

科学分野:

• コンピュータサイエンス
• 人工知能
• 情報検索

背景:

• 現在の文書理解方法は、複雑なレイアウトと要素間の論理的接続に苦労しています。
• 既存のアプローチは、多様な文書構造全体で深いセマンティック関係を捉えることができません。

研究 の 目的:

• 複雑なセマンティック関係を文書内でモデル化するための新しい表現学習フレームワーク、文書関係エンティティ埋め込み学習者（D-REEL）を導入します。
• 空間配置に関係なく、文書フィールド間のセマンティック相関を正確に評価することにより、文書理解を強化します。

主な方法:

• D-REELは、抽出候補を生成し、各抽出候補の密なベクトル表現（埋め込み）を学習します。
• 埋め込みを比較してセマンティック相関を評価し、記事の関係を決定します。
• 正確な抽出と相関スコアリングのために、空間情報とドメイン固有のスキーマを組み合わせます。
• 位置に依存しないローカライゼーションを使用したセマンティック構造の一致（SSC）メトリックを提案します。

主要な成果:

• 公開データセットで相関精度と抽出パフォーマンスの大幅な改善を示しました。
• 相関精度の平均mAPインクリメントを2〜3％達成しました。
• PRIMAデータセットでほぼ10％のSSC改善を達成し、効果的な関係測定を示しました。

結論:

• D-REELは、複雑な文書レイアウトとセマンティック関係を理解するための堅牢なソリューションを提供します。
• このフレームワークは、不規則な文書構造であっても、正確な抽出と信頼性の高い相関スコアリングを可能にします。
• 提案されたSSCメトリックは、文書内のセマンティック構造の一致を効果的に定量化します。