POIE数据集是由华中科技大学和腾讯优图实验室合作创建的大型视觉信息提取数据集，包含3000张来自实际产品的营养成分标签的相机图像。该数据集不仅在布局、背景和字体上具有较大的变化，还包含了多达21种实体类型，其中一些实体有多种形式。POIE旨在解决真实世界中视觉信息提取的挑战，特别是在复杂布局和多变实体类型的情况下。数据集的创建过程涉及从产品图像中裁剪营养表，使用多个商业OCR引擎进行预标记，并通

arXiv2023-06-15 更新1520

Medical Case Report Corpus

医疗文本分析

信息提取

本仓库提供了一个包含医疗案例报告的语料库，其中包含实体和关系注释，格式为BioC。该语料库源自PubMed Central的开放存取库，注释了案例、条件、发现、因素和否定修饰符等医疗实体，并在适用的情况下注释了这些实体之间的关系。这是首个以英文提供给科学界的此类语料库，支持通过命名实体识别、关系抽取和（句子/段落）相关性检测等任务自动从案例报告中提取信息。

github2024-01-07 更新1320

midas/semeval2010

自然语言处理

信息提取

Semeval-2010数据集用于评估从长文档英文科学文章中提取和生成关键词的技术。该数据集包含284篇来自ACM数字图书馆的英文科学论文，涵盖了四个1998年ACM分类领域：C2.4（分布式系统）、H3.3（信息搜索与检索）、I2.11（分布式人工智能-多代理系统）和J4（社会与行为科学-经济学）。每篇论文都有由读者和作者标注的两组关键词。数据集分为训练集和测试集，分别包含144篇和100篇文章

Hugging Face2022-03-05 更新380

Financial Reports Numerical Extraction (FINE)

财务分析

信息提取

FINE数据集是由微软、北京大学和中国科学院软件研究所等机构共同创建的，专门用于从混合长文档中提取财务关键绩效指标（KPIs）。该数据集基于SEC的EDGAR系统，包含了大量财务报告数据，旨在解决大语言模型在处理混合文本和表格数据时的信息提取问题。数据集通过自动化信息提取框架（AIE）进行处理，能够有效支持财务分析等领域的应用。

arXiv2024-12-28 更新1370

Synthetic Printed Turkish Passports Dataset

护照识别

PII提取

Printed synthetic passport images for training ML models in PII extraction

kaggle2025-11-01 更新520