Metody strojového učení pro extrakci novinových článků ze souborů PDF

Abstract

Tato práce se zabývá metodami strojového učení pro extrakci rozložení novinový článků ze souborů PDF. Nejdříve jsou představeny některé stávající metody extrakce následované teoretickým základem týkajícím se umělé inteligence a klasifikace. Dále je zde zmíněna tvorba veřejné datové sady, včetně nástrojů k jejímu zpracování. Následuje představení použitých technologií a konečně samotný Multiple Instance Learning model neuronové sítě, na kterém je provedena řada experimentů zakončená jejich vyhodnocením.

This work deals with machine learning methods for layout extraction of newspaper articles from PDF file. At first, some existing methods of layout extraction followed by theoretical background concerning artificial intelligence and clasification are introduced. Next creation of public dataset is done, including tools for its processing. Then used technologies are introduced and finally the Multiple Instance Learning model of neural network, which undergoes series of experiments finished with evaluation.