图神经网络在公共事务文档布局分析中的基准测试-计算机科学-机器学习-图神经网络-文档布局分析-数字文档分类.pdfVIP

图神经网络在公共事务文档布局分析中的基准测试

MiguelLopez-Duran,JulianFierrez,

AythamiMorales,RubenTolosana,

OscarDelgado-Mohatar,andAlvaro

Ortigosa

SchoolofEngineering,Univ.AutónomadeMadrid(UAM),28049Madrid,Spain

{miguel.lopezd,julian.fierrez,aythami.morales,ruben.tolosana,

oscar.delgado,alvaro.ortigosa}@uam.es

本

译摘要数字原生PDF文档中文件布局的自动分析仍然是一个具有挑战性的

中问题，这是因为文本和非文本元素排列的异质性和便携式文档格式中文本

元数据的不精确性。在这项工作中，我们对图神经网络（GNN）架构进行

2

v了基准测试，用于从数字原生文档中进行文本块的细粒度布局分类任务。

9我们引入了两种图构建结构：-最近邻图和全连接图，并通过预训练的文

9

6本和视觉模型生成节点特征，从而避免手动特征工程。评估了三种实验框

4架：单模态（文本或视觉）、拼接多模态以及双分支多模态。我们对四个基

1.础GNN模型进行了评估，并将它们与基线进行比较。我们的实验特别是

5在一个丰富的公共事务文档数据集上进行的，该数据集包含超过个来

0

5源（例如，地区和国家级官方公报），K份PDF文档，总共K页。

2结果显示，在双分支配置中操作-最近邻图时，GraphSAGE实现了最高

:

v的每类和总体准确率，并在某些来源上超过了基线。这些发现证实了通过

i

xGNN探索的局部布局关系和多模态融合对于分析原生数字文档布局的重

r

a要性。

Keywords:图神经网络·文档布局分析·数字文档分类。

1介绍

数字文档数量的增加，产生了对能够自动处理文档内信息的准确、高

效和可扩展算法的需求。这些文档中有很大一部分存储在便携式文档格式

（PDF）中，该标准最初由Adobe开发，并于2008[14]标准化。PDF的广

泛采用主要是因为它能够在不依赖使用的软件、硬件或操作系统的情况下呈

现文档，以及支持加密、压缩、数字签名和编辑等功能。

2M.Lopez-Duran,J.Fierrez,A.Morales,etal.

由于这些优势，PDF已经成为公共管理和私营公司中文档管理的标准

格式。然而，对PDF文档的自动处理仍然是一个具有挑战性的任务。提取

和分析相关信息需要理解文档内各种元素之间的结构和关系，特别是文本

块，因为它们根据在文档中的语义角色提供了不同的信息。

文档布局分析（DLA）通过旨在检测和分类文档的基本组成部分来应对

这一挑战。此任务对于数字文档的自动处理至关重要，因为它构成了知识提