Párování relativního rozvržení pro extrakci dat z dokumentů

Abstract

Tato práce se zabývá oblastí extrakce informací z obchodních dokumentů, přičemž klade důraz na systémy, které využívají již dříve zpracované dokumenty pro rychlou a flexibilní extrakci dat. V této práci byl navržen inovativní přístup založený na učení reprezentací jednotlivých políček v dokumentech za pomocí neuronových sítí. Tento přístup byl vyhodnocen a porovnán se základními přístupy na nově vytvořeném datasetu. Nově navržený přístup funguje lépe na políčkách, která nezůstávají stabilně na stejné pozici v rámci šablony. Základní přístup je nicméně stále lepší na ostatních typech políček.

This thesis explores the field of business document information extraction, emphasizing one-shot learning systems that improve their performance by utilizing a database of previously processed documents. A benchmark to evaluate one-shot information extraction systems was defined and used with a newly created dataset. A novel representation-learning approach to one-shot document information extraction was proposed. For a newly received document, the proposed approach uses learned document representation to first retrieve field representations from similar documents. Retrieved representations are then used to localize information on the newly received document. The proposed method was evaluated and compared against several proposed baselines showing an improvement on fields with high positional variance. The baseline method still achieves better results on fields that remain fixed within the layout.