Aulvem/japanese-invoice-receipt-extraction-eval

証憑 · Shōhyō — 日本語 証憑（請求書・領収書・支払通知書）構造化抽出ベンチマーク（無料サンプル）

証憑（しょうひょう）＝取引の事実を証明する書類（請求書・領収書など）の会計用語。

「文書テキスト → JSON 抽出」パイプラインの精度を測るための 正解付き評価データセット の無料サンプルです。

いずれもインボイス制度（適格請求書等保存方式）に対応。

既存のHF日本語帳票データはOCR・画像系が中心です。本データは 画像でなくテキスト→JSON を対象にし、和暦・軽減税率・源泉徴収・収入印紙税・相殺控除のロジックを正解側で算術検証してあります。

実在の企業名・個人情報は含みません（すべて合成）。本サンプルは無料・評価/検証用途で配布します。

このサンプルの位置づけ（凍結版）

このリポジトリは凍結サンプルです。上記45件で「自分の抽出器が日本語帳票の どの難所で壊れるか」を測るには足りますが、件数を増やす更新はここには入りません。

フル版（販売中）

各文書タイプ 2,000 件・合計 6,000 件。全件が算術検証を通過しています。

• —仕様・収録内容 → [証憑 プロダクトページ](https://aulvem.com/ja/products/japanese-invoice-receipt-extraction-eval/?utm_source=huggingface&utm_medium=dataset_card&utm_campaign=japanese-invoice-receipt-extraction-eval)（日本語） / English
• —文書タイプの追加はこのカードでも告知します。追いたい場合はこのリポジトリを Watch（右上）してください。 それが唯一の通知手段です（メールリストはありません）。

支払通知書について（2026-08 追加）

支払通知書は買手が発行する文書なので、請求書と構造が反転します。issuer が支払者（買手）、 payee が支払先（売手）で、登録番号は売手側に付きます（仕入明細書として保存する場合に必要）。 「どちらの登録番号か」が本質的な抽出の難所です。

加えてこの文書タイプ固有の難所があります。

• —複数請求書の合算 — 明細1行が請求書1枚に対応し、invoice_number を持つ
• —相殺・値引き・振込手数料の控除（deductions）— 支払額は 税込 − 源泉 − 控除合計
• —締日と支払予定日 — 日付が2つあり、どちらを取るかを間違えやすい

なぜこのデータか

RAG や OCR 後段の「文書→構造化抽出」を作ると、必ず「精度をどう測る？」で詰まります。 本物の請求書は個人情報で評価に使えず、正解を手作業で作るのは高コスト。 このデータは 現実の請求書で抽出器が壊れる難所をわざと仕込み、正解を全件検証済みで提供します。

既存の評価データはほぼ英語。日本語帳票（適格請求書発行事業者登録番号・源泉徴収・和暦）対応はほぼ空白です。

レコード構造

各行（JSONL）:

• —id, document_type, difficulty(easy/medium/hard), features(難所タグ)
• —document_text: 現実的な請求書本文（表記揺れ・全角・記号混在あり）
• —expected_output: 正解の構造化JSON（スキーマは下記）

正解スキーマ（要点）

仕込んだ難所（features）

和暦変換 / 相対日付解決 / 軽減税率8%・10%の区分 / 源泉徴収（10.21%、100万円超は超過分20.42%）/ 欠損（免税事業者で登録番号なし）/ 全角数字・「￥」「金〜円」の正規化 / 消費税の端数処理（切捨て）

品質保証（正解を先に確定してから本文を描画）

一般的な合成データは「本文を書いてから正解を読み取る」ため読み取り誤りが混入します。 本データは逆向きです。

1. 1.正解の構成: 金額・税率区分・税額（切捨/四捨五入/切上）・源泉徴収額・印紙税額を先に確定
2. 2.本文の描画: 確定値から document_text を描画（和暦・全角・￥/円・相対日付の揺れを意図的に振る） → 本文と正解が原理的に食い違わない
3. 3.機械検証: JSON Schema 適合 ＋ 算術整合（明細＝数量×単価／税率区分の合算／小計・税込・源泉後／ 収入印紙税額）を 全件チェック

生成は seed 固定の決定論。フル版の本体 6,000 件（請求書2,000／領収書2,000／支払通知書2,000）は 全件合格しています。このサンプル45件も同じ生成器・同じスキーマから抽出しています。

測れないこと

本文はテンプレートと語彙の組み合わせです。表記揺れは意図的に振ってありますが、 実務で出会う文書の"崩れ"のすべてを再現するものではありません。レイアウト崩れや OCRノイズへの耐性は測れません（入力はテキスト前提）。

使い方

import json
data = [json.loads(l) for l in open("invoice_ja.sample.jsonl", encoding="utf-8")]
# 自分の抽出器の出力を data[i]["expected_output"] と突き合わせ、フィールド単位の正答率を算出

ライセンス

• —無料サンプル: CC BY-NC 4.0（非商用・評価用途）。
• —商用利用・フル版: Aulvem の商用ライセンスにて提供。

引用 / 連絡

Aulvem — A solo studio for building & writing. aulvem.com