ECAI 2025

从表层到语义：面向表格中心的文档结构语义解析

以表格为锚点，深入文档的上下文语义理解

现有的 PDF 解析方法停留在表层的版面分析与 OCR。DoTabler 再深一层 —— 以表格为锚点，找回与之语义关联的上下文段落，实现以表格为核心的文档解析与领域定向表格检索，并且比 GPT-4o 快两个数量级。

Xuan Li, Jialiang Dong*, Raymond Wong*
新南威尔士大学，悉尼，澳大利亚  |  *通讯作者
论文 PDF 海报 代码
DoTabler 总体工作流
图 1：DoTabler 的总体工作流。文档结构预处理产出版面块；关系标注流水线构建表格–文本数据集；TTAM 在该数据上训练，并支撑下游两项能力 —— 表格中心的文档结构解析与领域定向表格检索。
摘要
文档是金融、医疗、科研等领域的核心信息载体，而表格是其中承载结构化数据的主要媒介。现有研究多聚焦于版面分析、表格检测、数据抽取等表层任务，缺乏对表格及其上下文关联的深层语义解析，这限制了跨段落数据解读、上下文一致性分析等高阶任务。

为此，我们提出 DoTabler —— 一个以表格为核心的语义级文档解析框架，致力于挖掘表格与上下文之间的深层语义关联。DoTabler 借助自建数据集与领域微调的预训练模型，串联起完整的解析流水线，识别出与每张表语义相关的上下文段落。在此基础上，DoTabler 实现两项核心能力：表格中心的文档结构解析 与 领域定向表格检索。

在来自真实 PDF、近 4,000 页、超过 1,000 张表的数据上评估，DoTabler 取得 超过 90% 的精确率与 F1，在表格–上下文语义分析任务上全面优于 GPT-4o、Gemini-2.0 与 Claude-3.5，并且速度快两个数量级。

两个应用场景

表格中心解析示例
图 2a — 表格中心解析。给定一页 PDF，DoTabler 识别其中的表格块，并找回周围对该表进行描述或解释的段落。
领域定向表格检索示例
图 2b — 领域定向表格检索。给定一句自然语言查询，DoTabler 从文档中返回语义相关的表格及其上下文。

核心贡献

01

首个表格中心的语义级数据集

构建首个面向 PDF 表格中心结构的语义级数据集，并训练 表格–文本关联模型 TTAM，对表格与上下文的细粒度关联进行建模。

02

DoTabler 框架

端到端流水线整合了预处理（分页、版面、OCR）与 TTAM，在同一框架内同时实现 文档结构解析 与 领域定向表格检索。

03

大规模真实评估

在来自 arXiv 与 PubMed Central 的近 4,000 页、1,000+ 张表格上评估，准确率全面超过 GPT-4o、Gemini-2.0、Claude-3.5，并且快出数量级。

方法

DoTabler 把表格中心的语义解析拆成三段式流水线，每个模块都可替换 —— 可以换用更强的预训练编码器，也可以扩展到新的文档领域。

1. 文档结构预处理

每个 PDF 被渲染为图片、按页切分，送入在 PubLayNet 上微调的 Faster R-CNN 进行版面检测；Tesseract OCR 抽取 Text、List、Title、Table 块的文字。

2. 表格–文本关联模型（TTAM）

基于预训练编码器（BERT / BART / RoBERTa）的 sentence-pair 二分类器。对每对 (table, text)，TTAM 输出"相关 / 无关"，使用平衡的正负样本与交叉熵损失训练。

3a. 表格中心的语义解析

遍历文档中每张 Table 块，TTAM 对所有候选 Text/List 块打分，输出与该表语义相关的子集，得到一份结构化的 (table, related_paragraphs) 视图。

3b. 领域定向表格检索

用微调后的 RoBERTa cross-encoder 联合编码 (query, table)，输出相关性得分，按分排序后返回 top-K 表及其上下文。训练采用 margin-based ranking loss。

数据集与实验设置

该任务此前没有公开数据集，因此我们自建了首个表格中心的语义级标注数据。文档来自 arXiv 与 PubMed Central；两位资深标注员独立标注表格–文本关联，对分歧通过专家共识机制对齐。

227
PDF（arXiv + PubMed Central）
3,952
页 · 解析并标注
1,061
表格块 · 1,624 文本块

数据划分。TTAM 评估：3,248 个均衡的表格–文本对，按 7:3 划分为 2,273 训练 / 975 测试。检索评估：200 个查询–表格对，过滤不完整样本后得到 129 训练 / 53 测试。基线。GPT-4o、Gemini-2.0 Flash、Claude-3.5，使用相同任务提示以保证公平比较。

结果

表格–文本关联分类（TTAM）

90.01%
F1（基于 RoBERTa 的 TTAM）
+10 分
高出最强 LLM 基线（Gemini-2.0）
+41 分
高出 GPT-4o（48.48 → 90.01）

文档级解析与检索效果

128 / 193
完全正确的文档数（LLM 基线为 109–114）
71.7%
检索 Recall@1（K=3 时为 88.7%）
~270×
比 GPT-4o 快（0.0035s vs 0.80s）
时延对比
图 3：每对 (table, text) 的平均与中位耗时，跨 10 个均匀划分的测试组。DoTabler 始终贴近零线，三个 LLM 基线则在 0.6–1.7 秒之间波动。

为何 DoTabler 胜出。解码器为主的 LLM 偏向流畅生成，决策上趋于保守 —— 精确率尚可但漏判很多真实关联。RoBERTa 的双向编码器在新数据集上微调后，能更好地刻画细粒度上下文依赖，对幻觉也更鲁棒，正中此任务的核心。

引用

@inproceedings{li2025dotabler, title={From Surface to Semantics: Semantic Structure Parsing for Table-Centric Document Analysis}, author={Li, Xuan and Dong, Jialiang and Wong, Raymond}, booktitle={Proceedings of the 28th European Conference on Artificial Intelligence (ECAI)}, year={2025} }

致谢：本工作完成于新南威尔士大学。感谢两位标注员陈霄（Xiao Chen）与何况（Kuang He）在表格–文本关联数据集构建过程中的细致工作。