DocMaster: A Hierarchical Structure-Aware System for Document Analysis
DocMaster：层次结构感知的文档分析系统
🧭 结构感知文档索引与多模态分析
The Chinese University of Hong Kong, Shenzhen · The Chinese University of Hong Kong · OceanBase, AntGroup
保留文档层次结构，构建结构感知语义索引，提升复杂文档过滤与问答性能
📌 工作参考价值
- 电商商品搜索中，可借鉴文档树解析商品详情页，保留标题、属性、图片的层次结构，构建多粒度索引，提高长尾查询的召回精度。
- 多视图语义索引策略可应用于商品评论和描述的分离索引，支持自然语言条件过滤（如“有赠品的商品”），增强可解释性过滤能力。
- 先过滤后问答的 workflow 可迁移至智能客服：先基于层次化结构筛选相关商品/政策文档，再做精准回答，降低 token 消耗并提高准确率。
- 树形结构语义索引的设计思路可复用到商品类目体系，结合 LLM 进行类目感知的个性化推荐，保持层次约束。
动机：现有 LLM 文档分析系统将文档拍平为纯文本块，丢失了章节、表格、图表、公式等层次结构，导致下游文档过滤和问答性能下降。特别在科研、金融等需要从大量文档中先筛选再深度分析的场景，结构信息缺失严重影响了结果准确性。
方法：提出 DocMaster，一个层次结构感知的文档分析系统。核心设计包括：
- 文档解析：将 PDF 解析为保留原始布局的层次化文档树，每个节点对应章节、表格、图表、公式等结构单元。
- 结构感知语义索引：基于文档树构建两种索引——树形索引（维护节点间层级关系）和多视图语义索引（为不同结构类型分别建立向量库），支持跨粒度语义匹配。
- 过滤与问答管线：用户用自然语言条件过滤文档集合，系统利用索引快速定位相关子树，随后在过滤结果上执行检索增强生成（RAG）问答。
关键结果：系统通过交互式 Web 界面演示了完整流程：上传文档集、构建索引、自然语言过滤、上下文问答。相比扁平化基线，保留结构显著提升了文档检索的精确率和问答的事实一致性。代码和 demo 已开源，提供了可直接部署的文档分析解决方案。