Extrakce informací z formulářů pomocí neuronových sítí

Abstract

Cílem této bakalářské práce bylo prozkoumat možnost extrakce informací z formulářů s pomocí neuronových sítí. Práce začíná pokrytím teorie o zpracování přirozeného jazyka. Poté následuje přehled extrakce informací a popis rozpoznávání pojmenovaných entit. Na to dále navazuje představení datových sad, které jsou relevantní pro formuláře. V implementační části je popsán proces vytváření nové datové sady formulářů. Také je popsána příprava skriptů pro doladění modelů pro rozpoznávání pojmenovaných entit. Doladěné modely obsahují pouze textové modely jako například Czert, stejně jako modely s ohledem na rozvržení textu na straně jako například LiLT. Konečná kapitola obsahuje část s experimenty, která obsahuje experimenty s modely laděné pro rozpoznávání pojmenovaných entit na formulářích.

The goal of this bachelor's thesis was to explore the possibility of information extraction from form-like documents using neural networks. The work starts by covering the theory of natural language representation. Then comes an overview of information extraction and the description of Named Entity Recognition. After that follows an introduction to existing datasets that are relevant to forms. In the implementation part, the process of creating a new form dataset is laid out. The preparation of the scripts for fine-tuning the models for named entity recognition is also described. The fine-tuned models include text-only models such as Czert as well as layout-aware models such as LiLT. In the end comes the experimental part, which includes experimenting with the Named Entity Recognition fine-tuned models on forms.