AyoubChLin/CompanyDocuments

该数据集包含超过2,000个公司文档，分为四种主要类型：发票、库存报告、采购订单和发货订单。每个文档以PDF格式提供，并附带一个CSV文件，包含从这些文档中提取的文本、标签以及每个文档的字数。数据集适用于多种自然语言处理任务，如文本分类、信息提取和文档聚类。最新更新包括将所有文件映射到PHI3 mini以提取JSON格式的信息。This dataset contains over 2,000 corporate documents, categorized into four primary types: invoices, inventory reports, purchase orders, and shipping orders. Each document is provided in PDF format, accompanied by a CSV file that holds extracted text, labels, and word count for each individual document. This dataset supports a wide range of natural language processing tasks, such as text classification, information extraction, and document clustering. The latest update includes mapping all files to PHI3 mini for extracting information in JSON format.

原始信息汇总

数据集概述

数据集名称

• 名称: Company Documents Dataset

数据集内容

• 文档类型: 包含四种主要类型的公司文档：
  • 发票
  • 库存报告
  • 采购订单
  • 发货订单
• 文件格式:
  • PDF文档: 2,677个PDF文件
  • CSV文件: company-document-text.csv，包含文本内容、标签和字数

数据集详情

• 总文档数: 2,677
• 字数范围:
  • 最小字数: 23
  • 最大字数: 472

应用领域

• 文本分类: 训练模型以分类文档
• 信息提取: 从文档中提取特定字段和细节
• 文档聚类: 根据内容将相似文档分组
• OCR和文本挖掘: 使用真实数据改进OCR模型和文本挖掘技术

引用格式

• 引用此数据集时，请使用以下格式： Ayoub Cherguelain, 2024, "Company Documents Dataset", Kaggle