[en] ALGORITHMS FOR TABLE STRUCTURE RECOGNITION

• Autor(a) principal: YOSVENI ESCALONA ESCALONA
• Data de Publicação: 2020
• Tipo de documento: Outros
• Idioma: eng
• Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
• Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=48789@1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=48789@2; http://doi.org/10.17771/PUCRio.acad.48789
• topic: [pt] APRENDIZADO DE MAQUINA; [pt] PLANILHA; [pt] TABELA HTML; [pt] DADOS TABULARES; [pt] CONDITIONAL RANDOM FIELD; [en] MACHINE LEARNING; [en] SPREADSHEET; [en] HTML TABLES; [en] TABULAR DATA; [en] CONDITIONAL RANDOM FIELD

[pt] Tabelas são uma forma bastante comum de organizar e publicar dados. Por exemplo, a Web possui um enorme número de tabelas publicadas em HTML, embutidas em documentos em PDF, ou que podem ser simplesmente baixadas de páginas Web. Porém, tabelas nem sempre são fáceis de interpretar pois possuem uma grande variedade de características e são organizadas de diversas formas. De fato, um grande número de métodos e ferramentas foram desenvolvidos para interpretação de tabelas. Esta dissertação apresenta a implementação de um algoritmo, baseado em Conditional Random Fields (CRFs), para classificar as linhas de uma tabela em linhas de cabeçalho, linhas de dados e linhas de metadados. A implementação é complementada por dois algoritmos para reconhecimento de tabelas em planilhas, respectivamente baseados em regras e detecção de regiões. Por fim, a dissertação descreve os resultados e os benefícios obtidos pela aplicação dos algoritmos a tabelas em formato HTML, obtidas da Web, e a tabelas em forma de planilhas, baixadas do Web site da Agência Nacional de Petróleo.