CORD（合并收据数据集）是一个公开可用的数据集，专为收据理解研究而设计，该领域是人工智能中文档理解的一个子领域。它包含超过11,000张从真实来源收集的带注释收据图像，涵盖多样的商户、布局和语言。该数据集提供像素级和令牌级注释，支持关键信息提取、语义分割和实体识别等任务，使其成为评估处理收据模型的基准。
CORD于2019年由韩国Naver公司和科学技术大学的研究人员推出。该数据集的创建旨在解决收据解析缺乏标准化、大规模注释数据的问题，而这对费用跟踪、会计自动化和移动支付系统等应用至关重要。自发布以来，CORD已被学术研究和工业界广泛采用，作为比较深度学习和机器学习文档智能方法的标准测试平台。
CORD中的注释遵循分层结构，将收据信息组织为商店名称、日期、时间、商品、价格和支付方式等类别。每个文本区域都标注了语义类别，并捕获区域之间的关系（例如，商品到价格）。这种细粒度注释使模型不仅能够学习存在哪些信息，还能学习其结构方式，这对于自动记账等下游任务至关重要。
注释结构
CORD的注释模式定义了4个主要类别下的30个类：菜单、子菜单、商品和选项，以及数量、单价和总计等附加字段。每个文本段被分配一个类别，段之间的空间关系被编码为有向边。例如，商品名称与其对应的单价和数量相链接。这种结构支持平面分类和关系学习，使模型能够执行联合提取和关系预测。
该数据集包含每个文本区域的边界框，以及文本内容和类别标签。注释以JSON格式提供，便于与现代神经网络流水线集成。分层设计还支持对令牌级和段级性能的评估，为研究人员提供细粒度指标。
在人工智能研究中的应用
CORD已成为文档理解中开发和基准测试模型的参考点。它通常用于训练和测试基于变换器的架构，例如结合视觉和文本特征的架构。例如，LayoutLM和Donut等模型已在CORD上进行了评估，展示了其在推动最先进性能方面的实用性。该数据集还支持生成式人工智能研究，其中模型从原始收据图像生成结构化输出。
除了学术研究，CORD在依赖收据数字化的行业中具有实际应用。金融科技、零售和物流领域的公司使用基于CORD训练的模型来自动化数据录入、减少人工错误并改善客户体验。该数据集在收据格式上的多样性有助于确保模型泛化到现实世界的变体，例如不同的字体、方向和光照条件。
技术挑战
收据理解带来了多项挑战，CORD帮助研究人员解决这些问题。收据通常包含噪声文本、重叠元素和不规则布局，使准确分割变得困难。此外，CORD中语言和货币的多样性要求模型处理多语言和多格式输入。另一个挑战是某些文本区域尺寸较小，可能被检测系统遗漏。CORD的详细注释使研究人员能够隔离这些问题并开发针对性解决方案，例如改进的数据增强技术或多头注意力机制。
相关数据集和基准
CORD经常与其他收据和文档数据集进行比较，例如SROIE（扫描收据OCR和信息提取）和FUNSD（噪声文档中的表单理解）。虽然SROIE侧重于从收据中提取关键信息，但CORD提供了更丰富的注释，包括语义分割和关系提取。这使得CORD更适合需要更深入理解文档结构的任务。研究人员经常将CORD与这些数据集一起使用，以评估其模型在不同文档类型上的泛化能力。
未来方向
文档理解领域正在快速发展，大型语言模型正被适配用于多模态任务。CORD很可能仍然是训练和评估此类模型的宝贵资源，尤其是当它们变得更擅长处理复杂布局和语言时。CORD的未来扩展可能包括更多样化的收据格式、更多语言，以及表格提取或异常检测等新任务的注释。随着人工智能的持续进步，像CORD这样的数据集将在确保模型稳健、准确并适用于现实场景方面发挥关键作用。