Zpracování vědeckých článků ve formátu PDF

Abstract

Cieľom tejto práce je navrhnúť a implementovať spôsob spracovania vedeckých článkov vo formáte PDF a extrakcie ich názvov, autorov, kľúčových slov a bibliografických citácií. Vytvorená aplikácia umožňuje automatizovane extrahovať tieto informácie, uložiť ich v štruktúrovanej podobe do databázy a vykonať nad nimi analýzu pomocou vygenerovaných grafov, medzi ktoré patrí aj strom znázorňujúci citačné vzťahy medzi analyzovanými článkami. Aplikácia integruje veľký jazykový model Mistral pre alternatívnu identifikáciu bibliografických údajov z citácií. Implementovaný spôsob extrakcie bol porovnaný s existujúcimi riešeniami, otestovaný na vlastnej automaticky vygenerovanej dátovej sade a vyhodnotený na verejnej dátovej sade s takmer 10 000 vedeckými publikáciami.

This work aims to design and implement a method for processing scientific articles in PDF format and extracting their titles, authors, keywords, and bibliographic citations. The developed application automatically extracts this information, stores it in a structured format in a database, and enables analysis using the generated graphs, including a tree visualising the citation relationships between the analysed articles. The application integrates the Mistral large language model for the alternative identification of bibliographic data from citations. The implemented extraction method is compared with existing solutions, tested on a custom automatically generated dataset, and evaluated on a public dataset containing nearly 10,000 scientific publications.